Diese Arbeit vergleicht die Vorhersagbarkeit von Renditen der Metallrohstoffe Gold, Silber, Platin, Palladium und Kupfer auf verschiedenen Datensätzen und über mehrere Veranlagungsperiodizitäten. Ziel ist es, festzustellen, ob Deep-Learning-Modelle die Ergebnisse von Tharann (2019) auf aktuelleren Daten bestätigen und/oder verbessern können, wobei jener starke Indikatoren für eine solche Vorhersagbarkeit auf derselben Auswahl von Metall-Futures aufdeckt, insbesondere nach Einbeziehung des Aruoba-Diebold-Scotti Business Conditions Index (ADS-Index).
Sowohl der Quellcode als auch eine Beschreibung der verwendeten Datenfelder sind bereitgestellt, um alle Ergebnisse (mit minimalem Installationsaufwand) reproduzierbar machen zu können.
Insgesamt gibt es deutliche Hinweise darauf, dass Metallrenditen vorhersehbar sind und die Forschung für verschiedenste Anleger mit unterschiedlichen Präferenzen bei der Umschichtung von Vermögenswerten attraktiv sein dürfte. Die Tests wurden mit täglichen, wöchentlichen, monatlichen und vierteljährlichen Perioden für drei verschiedene Datensätze durchgeführt. Insgesamt scheinen sowohl Long Short Term Memory (LSTM) als auch Convolutional Neural Networks (CNN) lineare Kleinstquadrateschätzer (OLS), eine häufig verwendete Methode in ähnlichen Veröffentlichungen, auf den verwendeten Daten zu übertreffen.

This thesis compares predictability of returns of the metal commodities Gold, Silver, Platinum, Palladium and Copper on multiple datasets and across multiple resampling periods. The goal is to determine if deep learning models can confirm and/or enhance the findings of Tharann (2019) on more recent data, who finds strong predictability on the same selection of metal futures out of sample especially after including the Aruoba-Diebold-Scotti Business Conditions Index (ADS-Index).
Both the source code as well as a description of the data fields used are provided in order to make all findings reproducible (with minimal installation efforts).
Overall, there are strong indications that metal returns are likely predictable and research should be attractive for many types of investors with different asset re-allocation preferences. Tests are run with daily, weekly, monthly and quarterly data on three different sets of predictive variables. As for the utilized models, both Long Short Term Memory (LSTM) as well as Convolutional Neural Networks (CNN) can outperform linear Ordinary Least Squares (OLS), still one of the most utilized tools in existing research on similar topics, on the underlying datasets.