Einfach erklärt: Wie LightGBM funktioniert, warum Bäume bei Finanzzahlen stark sind und wie man Aktienprognosen fair prüft.
Die kompliziertere Maschine verlor?
„Die Version mit neuronalem Netz konnte LightGBM nicht schlagen.“ Das klingt verkehrt herum: Eine Maschine mit vielen Rechenschichten tritt an, doch ein Wald aus kleinen Bäumen holt den Pokal. Der Computerlüfter hat alles gegeben, aber Lärm gibt keine Extrapunkte.
Der Satz nennt keine Daten oder Punktzahlen; dieser einzelne Vergleich lässt sich daher nicht unabhängig prüfen. Studien zeigen allerdings, dass baumbasierte Methoden bei Zahlen in Tabellen oft sehr stark sind.[1][2]
Was macht LightGBM?
LightGBM lernt aus alten Beispielen und schätzt neue Ergebnisse. Die bekannte grundlegende Veröffentlichung stammt aus dem Jahr 2017.[3]
Stell dir eine Tabelle mit Gewinnwachstum, plötzlichem Handelsanstieg, Unternehmensgröße und späteren Aktienkursen vor. Ein kleiner Baum fragt: „Liegt das Wachstum über dieser Grenze?“ Der nächste versucht frühere Fehler zu verbessern. Viele kleine Korrekturen bilden zusammen eine Vorhersage.
Ein Baum ist einfach. Ein eingespielter Wald kann überraschend stark sein.
Warum kann er gewinnen?
Finanzzahlen enthalten plötzliche Ausschläge, wenig hilfreiche Spalten und Muster, die erst jenseits einer Grenze auftreten. Bäume können solche Fälle gut trennen.
Eine Studie von 2022 fand starke Ergebnisse für Baumverfahren bei mittelgroßen Tabellen.[1] Eine Untersuchung von 2023 zeigte, dass gute Einstellungen manchmal wichtiger sind als der Wechsel der Modellfamilie.[2]
Ein Computer, der wie ein startendes Flugzeug klingt, sagt deshalb nicht automatisch besser voraus.
Gewinnen Bäume immer?
Ein großer Vergleich von 2025 fand Fälle, in denen neuronale Netze mit mehr Trainingszeit und kombinierten Vorhersagen aufholten.[4] Bilder zu verstehen und Geschäftsberichte auszuwerten sind unterschiedliche Aufgaben.
Der faire Test bei Aktien
Beide Methoden dürfen nur Informationen sehen, die zum Zeitpunkt der Vorhersage bereits veröffentlicht waren. Spätere Gewinnzahlen vorher zu verwenden wäre wie ein Blick in die Zeitung von morgen.
Teste der Zeit nach von früher nach später. Berücksichtige Gebühren, Unterschiede zwischen erwartetem und tatsächlichem Handelspreis und starke Verlustphasen. Den Kurs richtig zu erraten und nach Kosten Gewinn zu erzielen sind zwei verschiedene Prüfungen.
Fazit
Ein neuronales Netz kann gegen LightGBM verlieren. Eine Methode aus dem Jahr 2017 kann bis heute sehr gut sein, wenn sie zur Aufgabe passt. Unterschätze den kleinen Wald nicht.
Quellen (4)
- Grinsztajn, Oyallon & Varoquaux (2022), “Why do tree-based models still outperform deep learning on typical tabular data? papers.nips.cc
- McElfresh et al. (2023), “When Do Neural Nets Outperform Boosted Trees on Tabular Data? proceedings.neurips.cc
- Ke et al. (2017), “LightGBM: A Highly Efficient Gradient Boosting Decision Tree. proceedings.neurips.cc
- Erickson et al. (2025), “TabArena: A Living Benchmark for Machine Learning on Tabular Data. proceedings.nips.cc
