Deze studie onderzocht de prestaties van deep learning-modellen bij het voorspellen van prijsschommelingen gedurende periodes van hoge marktvolatiliteit. Resultaten tonen aan dat LSTM-architecturen binnen gecontroleerde datasets een coherente patroonherkenning bieden.

De onderzoeksopzet vergeleek traditionele regressiemodellen met moderne neurale architecturen over een dataset van vijf jaar. Validatietests bevestigden dat complexere modellen niet altijd superieur presteren zonder adequate hyperparameterafstemming.