With the continuous growth of computational capabilities, machine learning has become a crucial tool for predicting stock price movements, enabling models to capture complex patterns that traditional methods fail to detect. This thesis investigates the recent application of Convolutional Neural Networks (CNNs) in stock price trend prediction, using image representations of financial time series data from the largest US stock exchanges. An essential advantage of CNNs lies in their ability to automatically learn and extract relevant features from data. By evaluating various day-length images and forecast horizons (5 days, 20 days, and 60 days), the study provides insights into how CNNs can effectively predict stock price direction by leveraging non-linear relationships in the data. The performance of our models appears robust across various parameter variations and test conditions, consistently achieving superior risk-adjusted returns compared to traditional momentum and reversal strategies. Additionally, this work introduces Gradient-weighted Class Activation Mapping (Grad-CAM) visualizations to enhance the interpretability in the CNNs’ decision-making process. Our findings demonstrate that the model focuses on meaningful patterns within the stock price data. Overall, this thesis establishes CNNs as a powerful tool for stock price prediction, with Grad-CAM presenting a promising step toward greater model transparency.     «

With the continuous growth of computational capabilities, machine learning has become a crucial tool for predicting stock price movements, enabling models to capture complex patterns that traditional methods fail to detect. This thesis investigates the recent application of Convolutional Neural Networks (CNNs) in stock price trend prediction, using image representations of financial time series data from the largest US stock exchanges. An essential advantage of CNNs lies in their ability to auto...     »

Mit dem kontinuierlichen Fortschritt der Rechenleistung hat maschinelles Lernen eine zentrale Rolle bei der Vorhersage von Aktienkursbewegungen eingenommen. Modelle sind nun in der Lage, komplexe Muster zu erfassen, die traditionelle Methoden nicht erkennen können. Diese Arbeit untersucht die Anwendung von Convolutional Neural Networks (CNNs) zur Vorhersage von Aktienpreistrends, indem Bilddarstellungen von Finanzzeitreihen der größten US-Börsen verwendet werden. Ein wesentlicher Vorteil von CNNs liegt in ihrer Fähigkeit, relevante Merkmale automatisch aus den Daten zu lernen und zu extrahieren. Durch die Analyse von Bildern unterschiedlicher Tageslängen und Vorhersagehorizonten (5, 20 und 60 Tage) liefert die Studie Einblicke, wie CNNs Aktienkursrichtungen durch die Nutzung von nicht-linearen Zusammenhängen in den Daten effektiv vorhersagen können. Die Leistung unserer Modelle erweist sich als robust gegenüber verschiedenen Parameteränderungen und Testbedingungen und erreicht durchweg überlegene risikobereinigte Renditen im Vergleich zu traditionellen Momentum- und Reversal-Strategien. Darüber hinaus führt diese Arbeit Gradient-weighted Class Activation Mapping (Grad-CAM) Visualisierungen ein, um die Nachvollziehbarkeit der Entscheidungsprozesse der CNNs zu verbessern. Unsere Ergebnisse zeigen, dass das Modell sich auf bedeutungsvolle Muster innerhalb der Aktienpreisdaten konzentriert. Insgesamt zeigt diese Arbeit, dass CNNs ein leistungsstarkes Werkzeug zur Vorhersage von Aktienkursen sind, wobei Grad-CAM einen vielversprechenden Schritt in Richtung größerer Modelltransparenz darstellt.     «

Mit dem kontinuierlichen Fortschritt der Rechenleistung hat maschinelles Lernen eine zentrale Rolle bei der Vorhersage von Aktienkursbewegungen eingenommen. Modelle sind nun in der Lage, komplexe Muster zu erfassen, die traditionelle Methoden nicht erkennen können. Diese Arbeit untersucht die Anwendung von Convolutional Neural Networks (CNNs) zur Vorhersage von Aktienpreistrends, indem Bilddarstellungen von Finanzzeitreihen der größten US-Börsen verwendet werden. Ein wesentlicher Vorteil von CNN...     »