# Forex Wechselkurs Prognose

## Projektbeschreibung
Prognostiziert zukünftige Wechselkurse für wichtige Währungspaare (EUR/USD, GBP/USD, AUD/USD, USD/CHF, USD/JPY) mithilfe von Machine Learning-Modellen und Wirtschaftsindikatoren. Das Projekt kombiniert Finanzmarktdaten mit makroökonomischen Variablen zur Vorhersage von Währungsbewegungen.

## Installation & Setup

### Voraussetzungen PIP
!pip install yfinance pandas_datareader gradio matplotlib scikit-learn statsmodels


# Abhängigkeiten installieren
pip install -r requirements.txt

# Web-App starten
python app.py
```

Die Gradio-App startet auf: http://127.0.0.1:7860

### Vollständige Analyse ausführen
```bash
jupyter notebook project.ipynb
```

## Ergebnisse
Linear Regression erwies sich als das beste Modell für alle Währungspaare und erreichte R²-Werte über 0,89 für alle Paare. Das Modell für AUD/USD zeigte die beste Performance mit einem R² von 0,9291. ARIMA-Modelle zeigten durchweg schlechte Performance mit stark negativen R²-Werten, was auf deren Ungeeignetheit für diese Datenstruktur hinweist.

## Name & URL

| Name | URL |
|------|-----|
| Gradio App | Lokale Anwendung (http://127.0.0.1:7860) |
| Code | GitHub Repository |

## Datenquellen und Features pro Quelle

| Datenquelle | Features |
|-------------|----------|
| Yahoo Finance | EUR/USD, GBP/USD, AUD/USD, USD/CHF, USD/JPY (Schlusskurse) |
| FRED (Federal Reserve Economic Data) | CPI (Verbraucherpreisindex), FEDFUNDS (Leitzins), UNRATE (Arbeitslosenquote) |

## Erstellte Features

| Feature | Beschreibung |
|---------|--------------|
| lag_1, lag_2, lag_3 | Verzögerte Werte (1, 2 und 3 Tage) für alle Währungspaare |
| ma_3, ma_7, ma_14 | Gleitende Durchschnitte (3, 7, 14 Tage) für Kurse und Wirtschaftsdaten |
| std_7, std_14 | Standardabweichung (7 und 14 Tage) für Volatilitätsmessung |
| CPI_lag1, Rate_lag1, Unemployment_lag1 | Verzögerte Wirtschaftsindikatoren |
| month, quarter, day_of_week, day_of_year | Zeitbasierte Features |
| target | Verschobener Zielwert (nächster Tag) für jedes Währungspaar |

## Modelltraining

### Datenmenge
* Insgesamt 2.557 Tageswerte pro Währungspaar (2015-2025)
* 5 Währungspaare × 3 Modelle = 15 trainierte Modelle

### Datenaufteilung (Train/Test)
* Zeitbasierte Aufteilung: Training bis 31.12.2023, Test ab 01.01.2024
* Verwendung von TimeSeriesSplit für zeitreihengerechte Validierung

## Performance

| Nr. | Modell | Performance | Features | Beschreibung |
|-----|--------|-------------|----------|--------------|
| 1 | Random Forest (EUR/USD) | R²: 0,8947, RMSE: 0,0072 | Alle technischen + fundamentalen Features | Gute Performance, robust |
| 2 | Linear Regression (EUR/USD) | R²: 0,9168, RMSE: 0,0064 | Alle Features | Beste Performance für EUR/USD |
| 3 | Random Forest (GBP/USD) | R²: 0,8760, RMSE: 0,0083 | Alle Features | Solide Performance |
| 4 | Linear Regression (GBP/USD) | R²: 0,8959, RMSE: 0,0076 | Alle Features | Beste Performance für GBP/USD |
| 5 | Random Forest (AUD/USD) | R²: 0,7959, RMSE: 0,0079 | Alle Features | Schwächere Performance |
| 6 | Linear Regression (AUD/USD) | R²: 0,9291, RMSE: 0,0047 | Alle Features | **Bestes Gesamtmodell** |
| 7 | Random Forest (USD/CHF) | R²: 0,9088, RMSE: 0,0064 | Alle Features | Starke Performance |
| 8 | Linear Regression (USD/CHF) | R²: 0,9248, RMSE: 0,0058 | Alle Features | Beste Performance für USD/CHF |
| 9 | Random Forest (USD/JPY) | R²: 0,2209, RMSE: 4,1909 | Alle Features | Schwache Performance bei JPY |
| 10 | Linear Regression (USD/JPY) | R²: 0,9236, RMSE: 1,3126 | Alle Features | Sehr gute Performance |
| 11 | ARIMA (alle Paare) | R²: -36.703.921 (Durchschnitt) | Nur Zeitreihe | Durchweg schlechte Performance |

**Bestes Modell**: Linear Regression für AUD/USD mit R² = 0,9291 und einer Richtungsgenauigkeit von 51,1%

## Feature Importance (Top Features - Random Forest)

**Wichtigste Features über alle Währungspaare:**
- **ma30**: Gleitender 30-Tage-Durchschnitt (höchste Vorhersagekraft)
- **lag1**: Vorheriger Tageskurs
- **month**: Saisonale Effekte
- **day_of_year**: Jahreszeit-Indikatoren
- **CPI/Rate Features**: Makroökonomische Indikatoren

## Technische Hinweise

### Bekannte Einschränkungen
- ARIMA-Modelle zeigten extrem schlechte Performance aufgrund der Forex-Datencharakteristika
- Verwendung von Random Walk als Baseline für Vergleichszwecke
- Feature Engineering fokussiert auf technische und makroökonomische Indikatoren

### Dateistruktur
```
├── project.ipynb          # Hauptanalyse & Training
├── app.py                 # Gradio Web-App für Deployment
├── requirements.txt       # Python-Abhängigkeiten
├── final_dataset.csv      # Verarbeiteter Datensatz
├── best_forex_model.pkl   # Trainiertes Modell
└── README.md             # Projektdokumentation
```

### Dependencies (requirements.txt)
```
yfinance==0.2.61
pandas_datareader==0.10.0
gradio==5.21.0
matplotlib==3.9.3
scikit-learn==1.6.1
statsmodels==0.14.4
pandas==2.2.3
numpy==2.2.6
```