N-BEATS & N-HiTS reine Deep-Forecasting-Architekturen.

Lange galten rekurrente Netze wie LSTMs als der natürliche Deep-Learning-Ansatz für Zeitreihen. Doch eine Architekturfamilie hat in der allgemeinen Forecasting-Forschung gezeigt, dass es ohne Rekurrenz oft besser geht: N-BEATS und sein effizienterer Nachfolger N-HiTS sind reine Vorwärtsnetze, die Prognosen über Basis-Expansion erzeugen und dabei Trend und Saisonalität getrennt herausarbeiten — interpretierbar und ohne den Trainingsaufwand rekurrenter Modelle. Für viele Anwendungen mit klaren saisonalen Mustern sind sie heute eine ernsthafte Standardwahl. Die spannende und zugleich heikle Frage ist, was davon auf Finanzzeitreihen übertragbar ist. Denn Kursdaten haben kaum stabile Saisonalität, ein extrem niedriges Signal-Rausch-Verhältnis und neigen dazu, jede flexible Architektur ins Overfitting zu treiben. Dieser Beitrag erklärt, wie N-BEATS und N-HiTS funktionieren, wo ihre interpretierbare Zerlegung im Trading echten Nutzen stiftet, und benennt ehrlich, warum der Transfer von Demand-Forecasting auf Märkte mit großer Vorsicht zu genießen ist.

Die Grundidee: Forecasting per Basis-Expansion.

N-BEATS verzichtet bewusst auf jede rekurrente oder faltende Struktur. Stattdessen besteht es aus einem Stapel vollverbundener Blöcke, die nacheinander an der Prognose arbeiten. Jeder Block bekommt das Eingangsfenster, erzeugt zwei Ausgaben — einen Backcast, der den bekannten Teil rekonstruiert, und einen Forecast für die Zukunft — und reicht das, was er nicht erklären konnte, an den nächsten Block weiter.

Dieses Prinzip nennt man Residual-Stacking: Jeder Block kümmert sich um das, was die vorherigen übrig gelassen haben. Die Gesamtprognose ist die Summe der Forecasts aller Blöcke. Der Backcast dient dabei als Kontrolle — er zwingt jeden Block, seinen Beitrag auch in der Vergangenheit konsistent zu erklären, was als implizite Regularisierung wirkt.

Das Bemerkenswerte: Trotz dieser konzeptionell einfachen, rein vorwärtsgerichteten Struktur erreicht N-BEATS auf vielen Standard-Benchmarks Ergebnisse, die mit deutlich komplexeren Modellen mithalten oder sie übertreffen. Es zeigt, dass für Forecasting nicht zwingend Rekurrenz nötig ist — saubere Residual-Architektur reicht oft aus.

Interpretierbare Zerlegung in Trend und Saison.

N-BEATS gibt es in zwei Spielarten. Die generische Variante lässt die Blöcke frei lernen und ist eine Black Box. Die interpretierbare Variante zwingt einzelnen Blöcken eine bestimmte Funktionsform auf: Ein Trend-Block darf seinen Forecast nur als langsam veränderliche Polynomfunktion ausdrücken, ein Saison-Block nur über periodische Basisfunktionen.

Das Resultat ist eine Prognose, die sich von selbst in verständliche Komponenten zerlegt — einen Trendanteil und einen saisonalen Anteil, jeweils als eigene Kurve sichtbar. Für die Praxis ist das wertvoll: Man sieht nicht nur, was das Modell prognostiziert, sondern auch, welcher Teil aus dem Trend und welcher aus dem zyklischen Muster stammt.

Diese Erklärbarkeit ist ein echter Vorteil gegenüber rein generischen Deep-Learning-Modellen. Im Trading-Kontext bedeutet sie aber auch eine Einschränkung: Die interpretierbare Variante setzt voraus, dass es überhaupt eine sinnvolle Trend-Saison-Struktur gibt. Bei Kursdaten ist genau das die offene Frage.

N-HiTS — dieselbe Idee, deutlich effizienter.

N-HiTS baut direkt auf N-BEATS auf und adressiert dessen Schwächen bei langen Prognosehorizonten und hoher Rechenlast. Die zentrale Neuerung ist die Verarbeitung auf mehreren Auflösungen. Statt jeden Block mit der vollen Frequenz arbeiten zu lassen, fasst N-HiTS das Eingangssignal über Pooling auf gröbere Auflösungen zusammen und lässt verschiedene Blöcke unterschiedliche Frequenzbänder bearbeiten.

Anschaulich: Ein Block kümmert sich um die langsamen, groben Bewegungen, ein anderer um die feinen, schnellen. Die hierarchische Interpolation der Teilprognosen setzt das Ergebnis dann wieder zusammen. Der Effekt ist doppelt — die Prognosen langer Horizonte werden stabiler, und der Rechen- und Speicheraufwand sinkt deutlich gegenüber N-BEATS.

Für praktische Anwendungen ist N-HiTS damit meist die bessere Wahl: ähnliche oder bessere Genauigkeit bei spürbar geringeren Kosten. Die Frequenzzerlegung passt zudem konzeptionell gut zu Marktdaten, in denen Bewegungen auf sehr unterschiedlichen Zeitskalen stattfinden — auch wenn das allein noch keine Profitabilität garantiert.

Was sich auf Finanzzeitreihen übertragen lässt.

Hier ist Nüchternheit angebracht. N-BEATS und N-HiTS wurden auf Daten entwickelt und gebenchmarkt, die starke, stabile Saisonalität haben — Stromverbrauch, Verkehr, Absatzmengen. Genau diese Eigenschaft fehlt Kursdaten weitgehend. Aktien- und Devisenkurse haben kaum verlässliche Saisonmuster, ihr Signal-Rausch-Verhältnis ist um Größenordnungen schlechter, und die Renditeverteilung ist nahezu unprognostizierbar.

Die direkte Anwendung auf die Vorhersage künftiger Renditen liefert daher selten brauchbare Ergebnisse — das gilt für nahezu jedes Forecasting-Modell. Die ehrliche Einordnung lautet: Eine niedrige absolute Vorhersagegüte ist hier der Normalfall und kein Versagen der Architektur, sondern eine Eigenschaft effizienter Märkte.

Sinnvoller ist der Einsatz auf abgeleiteten Zielgrößen, die mehr Struktur tragen. Volatilität etwa ist deutlich besser prognostizierbar als die Renditerichtung und zeigt Clustering, das eine Forecasting-Architektur nutzen kann. Auch Handelsvolumina, Spreads oder makroökonomische Reihen, die in eine Strategie einfließen, sind realistischere Kandidaten. Die Architektur taugt, das Ziel muss zu ihr passen.

Die Overfitting-Gefahr bei dünnen Marktdaten.

N-BEATS und N-HiTS sind ausdrucksstarke Modelle mit vielen Parametern. Auf den großen, sauberen Datensätzen der Standard-Benchmarks ist das ein Vorteil. Auf Finanzdaten, die nicht nur verrauscht, sondern oft auch begrenzt sind, wird es zur Gefahr. Ein Modell mit zu viel Kapazität lernt das Rauschen des Trainingszeitraums auswendig und prognostiziert die Zukunft entsprechend schlecht.

Erschwerend kommt hinzu, dass Marktdaten nicht stationär sind. Das Modell lernt aus einem Regime und wird in einem anderen eingesetzt. Selbst ein im Trainingszeitraum gut passendes Netz kann nach einem Regimewechsel systematisch danebenliegen, ohne es selbst zu merken. Diese Nicht-Stationarität trifft tiefe Modelle besonders hart, weil sie viele Parameter an ein vergangenes Regime anpassen.

Die Konsequenzen für die Praxis sind streng: aggressive Regularisierung, kleine Modelle, strikt zeitliche Validierung mit Purging, und ein gesundes Misstrauen gegen jeden im Backtest beeindruckenden Wert. Wer N-BEATS oder N-HiTS auf Marktdaten ohne diese Vorsicht trainiert, produziert verlässlich überoptimistische Backtests.

Einordnung gegenüber Alternativen.

Ob sich der Aufwand eines Deep-Forecasting-Modells im Trading lohnt, entscheidet sich im Vergleich mit einfacheren Alternativen. Die folgende Übersicht ordnet die Optionen grob ein:

Für die meisten klassischen Trading-Aufgaben mit tabellarischen Features bleibt Gradient Boosting die pragmatischere erste Wahl — datensparsam, robust und schnell. N-BEATS und N-HiTS werden interessant, wenn das Ziel eine echte, mehrschrittige Zeitreihenprognose mit nutzbarer Struktur ist, etwa eine Volatilitäts- oder Volumenprognose über mehrere Schritte. Dort kann die interpretierbare Zerlegung und die saubere Mehrhorizont-Ausgabe einen echten Vorteil gegenüber Punktprognose-Modellen bieten.

Ein realistischer Einsatzpfad.

Wer diese Architekturen seriös prüfen will, geht am besten in klaren Schritten vor, statt sie sofort auf die Renditevorhersage anzusetzen:

• Ziel sorgfältig wählen. Volatilität, Volumen oder eine andere strukturierte Größe statt der nahezu unprognostizierbaren Renditerichtung.
• Mit N-HiTS statt N-BEATS starten, wegen geringerer Rechenkosten und besserer Langhorizont-Eigenschaften.
• Klein anfangen. Wenige Blöcke, starke Regularisierung, dann nur bei nachgewiesenem Out-of-Sample-Nutzen vergrößern.
• Gegen eine einfache Baseline messen. Wenn ein gut gemachtes klassisches Modell oder Gradient Boosting gleichzieht, ist die Komplexität nicht gerechtfertigt.
• Streng zeitlich validieren, mit Walk-Forward, Purging und einem finalen Out-of-Sample-Block, der für keine Entscheidung verwendet wurde.

So eingesetzt sind N-BEATS und besonders N-HiTS wertvolle Werkzeuge im Repertoire — nicht als Renditeorakel, sondern als interpretierbare, effiziente Forecasting-Bausteine für die strukturierteren Größen, die in eine Handelsstrategie einfließen. Der Schlüssel liegt darin, ihre Stärken dort zu nutzen, wo das Ziel sie auch hergibt, und nicht zu erwarten, dass eine clevere Architektur die fundamentale Unprognostizierbarkeit von Kursen aushebelt.

Sie wollen wissen, ob ein modernes Deep-Forecasting-Modell für Ihre Volatilitäts- oder Volumenprognose den Mehraufwand wert ist? Unverbindlich anfragen — wir schauen gemeinsam auf Zielgröße, Datenmenge und eine ehrliche Baseline und schätzen ab, ob N-HiTS hier wirklich trägt.