Graphalgorithmen in der Praxis: Aktienkorrelationen und Verkehrsnetze mit MST und Community Detection

Einführung in Graphentheorie und ihre Anwendungen

Graphen sind überall: soziale Netzwerke, Verkehrswege, Finanzmärkte. In diesem Tutorial lernst du, wie du mit Graphalgorithmen reale Daten analysierst – inspiriert von Projekten wie dem ECE 232E Summer 2025 Project 4. Wir betrachten zwei Szenarien: Aktienkorrelationen und Verkehrsnetze. Dabei nutzen wir aktuelle Trends wie KI-gestützte Aktienanalyse und Smart-City-Verkehrsoptimierung.

1. Grundlagen: Korrelation und Graphkonstruktion

Die Korrelation misst den Zusammenhang zwischen zwei Zeitreihen. Im Finanzbereich wird oft der log-normalisierte Return verwendet:

r_i(t) = log(1 + q_i(t))

Warum? Weil log-returns symmetrischer sind und die Verteilung normalisieren – ähnlich wie KI-Modelle Daten normalisieren, um bessere Vorhersagen zu treffen.

Die Korrelation zwischen zwei Aktien i und j berechnet sich als:

ρ_ij = (⟨r_i r_j⟩ - ⟨r_i⟩⟨r_j⟩) / sqrt((⟨r_i²⟩ - ⟨r_i⟩²)(⟨r_j²⟩ - ⟨r_j⟩²))

Der Wert liegt zwischen -1 und 1. Ein Wert nahe 1 bedeutet starke Gleichläufigkeit, nahe -1 gegenläufige Bewegung.

Edge-Weights für den Korrelationsgraphen

Aus der Korrelation berechnen wir Kantengewichte:

w_ij = sqrt(2 * (1 - ρ_ij))

Dieser Abstand ist null bei perfekter Korrelation und größer bei geringerer Korrelation. Der resultierende Graph hat Aktien als Knoten und die Abstände als Kanten.

2. Minimum Spanning Tree (MST) und Community Detection

Der Minimum Spanning Tree verbindet alle Knoten mit minimalen Gesamtkanten. Im Aktienkontext zeigt er, welche Aktien am stärksten zusammenhängen – ähnlich wie KI-Clustering in Empfehlungssystemen.

Mit Algorithmen wie Kruskal oder Prim extrahierst du den MST. Färbe die Knoten nach Sektoren (z.B. Technologie, Finanzen). Oft siehst du Vine-Cluster: zusammenhängende Gruppen aus demselben Sektor.

Zur Community Detection eignet sich der Walktrap-Algorithmus. Er erkennt Gemeinschaften im MST. Metriken wie Homogenität und Vollständigkeit bewerten die Qualität – nützlich für die Vorhersage unbekannter Aktiensektoren.

Beispiel: Aktiensektor-Vorhersage

Ein Maß für die Vorhersagegüte ist α:

α = (1/|V|) * Σ P(v_i ∈ S_i)

wobei P aus den Nachbarn geschätzt wird. Vergleiche mit dem Zufallsmodell: P = |S_i|/|V|. Ein höheres α zeigt bessere Clusterstruktur.

3. Zeitliche Granularität: Täglich, Wöchentlich, Monatlich

Die Wahl der Zeitperiode beeinflusst die Ergebnisse. Tägliche Daten reagieren auf kurzfristige News, wöchentliche glätten Rauschen, monatliche zeigen langfristige Trends. In der Praxis – wie bei KI-Trading-Bots – werden oft mehrere Zeitskalen kombiniert.

Frage: Welche Granularität liefert die beste Sektorvorhersage? Oft sind wöchentliche Daten optimal: Sie reduzieren Rauschen, behalten aber genug Dynamik.

4. Verkehrsnetze: Santa hilft mit Graphen

Stell dir vor, der Weihnachtsmann optimiert seine Route mit Uber-Daten. In diesem Teil analysieren wir Fahrzeiten in Los Angeles (Winter 2019). Der Graph hat Stadtteile als Knoten und Fahrzeiten als Kanten. Ein MST zeigt die wichtigsten Verbindungen – ähnlich wie bei der Routenplanung von Lieferdiensten.

Mit Community Detection erkennen wir Verkehrszonen. Das hilft, Staus zu vermeiden und Lieferzeiten zu minimieren – ein heißes Thema in Smart Cities.

5. Fazit und Ausblick

Graphalgorithmen sind mächtige Werkzeuge für Finanz- und Verkehrsanalyse. Dieses Tutorial hat gezeigt, wie du Korrelationen, MST und Community Detection anwendest. Die Techniken sind direkt übertragbar auf aktuelle Trends wie KI-gestützte Aktienanalyse oder intelligente Verkehrssteuerung. Viel Erfolg bei deinem Projekt!