Im BattleFin-Kaggle-Wettbewerb standen die Teilnehmer vor einem extremen Problem der Datenknappheit: Nur 200 Trainingsproben, um Preisbewegungen für 198 Aktien vorherzusagen. Dieser Beitrag reproduziert die Gewinneransätze von BreakfastPirate (1.) und Sergey Yurgenson (2.) und zeigt, wie sie einfache lineare Modelle und Feature-Engineering nutzten, um die Herausforderung 'viele Ziele, wenige Stichproben' zu meistern. Die wichtigste Erkenntnis ist, dass in Finanzzeitreihen Überanpassung eine ständige Bedrohung darstellt und Regularisierung oder Ensemble-Methoden bei einfachen Modellen oft Deep Learning übertreffen. Für quantitative Entwickler bietet diese Fallstudie eine praktische Blaupause für den Aufbau robuster Vorhersagesysteme bei begrenzten Daten. Die Reproduktion enthält detaillierten Code und Analysen und ist damit eine wertvolle Ressource für alle, die im Bereich Quantitative Finance oder Competitive Machine Learning arbeiten.
Die Reproduktion der Top-BattleFin-Kaggle-Lösungen zeigt, dass einfache Modelle komplexe Modelle bei der Finanzprognose mit wenigen Daten übertreffen.