Time series forecasting plays a vital role across various domains, particularly in finance, where accurate predictions of returns, volatility, interest rates, and economic indicators are essential for asset management. However, financial time series are inherently com- plex and exhibit characteristics such as regime switching, volatility clustering, and a high noise-to-signal ratio, making them difficult to forecast using traditional methods. In recent years, the exponential rise of Large Language Models (LLMs), such as Open AIs ChatGPT, has reshaped the landscape of artificial intelligence. These models, powered by the Transformer architecture, have achieved remarkable results in tasks such as machine translation and text generation. This success has triggered significant interest across a variety of research fields to explore how the architectural backbone of Transformers can be applied to other domains, such as time series forecasting. This thesis, conducted in collaboration with Assenagon Asset Management S.A., aims to investigate the effectiveness of Transformer-based models for financial time series forecasting. In the first part of this thesis, we provide a comprehensive theoretical analysis of the Transformer architecture and its components, with a focus on the attention mechanism. We then introduce several Transformer variants that have been specifically modified for time series forecasting, such as the PatchTST and Crossformer models, as well as a brief discussion on the emerging field of LLM-based forecasters. The second part of the thesis focuses on the empirical evaluation of these models. We assess the forecasting accuracy of the Transformer-based models for prices, returns, and volatility, both as a whole and at the component level, and compare their performance with traditional statistical methods. Overall, the findings of this thesis, both theoretical and empirical, offer valuable insights into the effectiveness of Transformer-based models in financial time-series forecasting.      «

Time series forecasting plays a vital role across various domains, particularly in finance, where accurate predictions of returns, volatility, interest rates, and economic indicators are essential for asset management. However, financial time series are inherently com- plex and exhibit characteristics such as regime switching, volatility clustering, and a high noise-to-signal ratio, making them difficult to forecast using traditional methods. In recent years, the exponential rise of Large Lan...     »

Die Vorhersage von Zeitreihen spielt in verschiedenen Bereichen eine entscheidende Rolle, insbesondere im Finanzwesen, wo genaue Prognosen von Renditen, Volatilität, Zinssätzen und wirtschaftlichen Indikatoren für das Asset Management unerlässlich sind. Finanzielle Zeitreihen sind jedoch von Natur aus komplex und weisen Eigenschaften wie Regimewechsel, Volatilitätscluster und ein hohes Noise-to-Signal Verhältnis, was ihre Vorhersage mit traditionellen Methoden schwierig macht. In den letzten Jahren hat der exponentielle Aufstieg von großen Sprachmodellen (LLMs), wie OpenAIs ChatGPT, die Landschaft der künstlichen Intelligenz neu gestaltet. Diese Modelle, die auf der Transformer-Architektur basieren, haben bemerkenswerte Ergebnisse bei Aufgaben wie maschineller Übersetzung und Textgenerierung erzielt. Dieser Erfolg hat in verschiedenen Forschungsfeldern großes Interesse geweckt, wie die zugrunde liegende Architektur von Transformern auf andere Bereiche, wie die Vorhersage von Zeitreihen, angewendet werden kann. Diese Arbeit, die in Zusammenarbeit mit Assenagon Asset Management S.A. durchgeführt wurde, zielt darauf ab, die Wirksamkeit von Transformer-basierten Modellen für die Vorhersage von finanziellen Zeitreihen zu untersuchen. Im ersten Teil dieser Arbeit bieten wir eine umfassende theoretische Analyse der Transformer-Architektur und ihrer Komponenten, wobei der Schwerpunkt auf dem Aufmerksamkeitsmechanismus liegt. Anschließend stellen wir mehrere Transformer-Varianten vor, die speziell für die Vorhersage von Zeitreihen modifiziert wurden, wie die PatchTST- und Crossformer-Modelle, sowie eine kurze Diskussion über das aufstrebende Feld der LLM-basierten Vorhersagemodelle. Der zweite Teil der Arbeit konzentriert sich auf die empirische Bewertung dieser Modelle. Wir bewerten die Prognosegenauigkeit der Transformer-basierten Modelle für Preise, Renditen und Volatilität sowohl auf Gesamt- als auch auf Komponentenebene und vergleichen ihre Leistung mit traditionellen statistischen Methoden. Insgesamt bieten die Ergebnisse dieser Arbeit, sowohl theoretisch als auch empirisch, wertvolle Einblicke in die Wirksamkeit von Transformer-basierten Modellen bei der Vorhersage von finanziellen Zeitreihen.     «

Die Vorhersage von Zeitreihen spielt in verschiedenen Bereichen eine entscheidende Rolle, insbesondere im Finanzwesen, wo genaue Prognosen von Renditen, Volatilität, Zinssätzen und wirtschaftlichen Indikatoren für das Asset Management unerlässlich sind. Finanzielle Zeitreihen sind jedoch von Natur aus komplex und weisen Eigenschaften wie Regimewechsel, Volatilitätscluster und ein hohes Noise-to-Signal Verhältnis, was ihre Vorhersage mit traditionellen Methoden schwierig macht. In den letzten Jah...     »