Die Prognose von Zeitreihenwerten spielt in vielen wirtschaftlichen Bereichen eine wichtige Rolle. Die Hilfestellung bei Entscheidungsprozessen und die Planung von Investitionen sind dabei nur zwei von vielen Beispielen. Zum Berechnen der Prognosen werden statistische Modelle auf verschiedenen Merkmalen der zu prognostizierenden Daten trainiert, welche in der Vergangenheit beobachtet wurden. Die dabei erzielte Genauigkeit der Ergebnisse hängt in hohem Maße von der Auswahl geeigneter zusätzlicher Merkmale ab, welche als externe Informationen in den Trainingsprozess einbezogen werden können. Ziel dieser Arbeit ist es, die Einflüsse verschiedener Merkmale auf die Prognosegenauigkeit zu analysieren und zu untersuchen, in welchem Maße sie sich aus den historischen Daten ableiten lassen. Es werden Algorithmen entwickelt und implementiert, die eine automatische Merkmalsreduktion vornehmen. Anschließend werden diese auf zwei verschiedenen Datensets und mit mehreren Modellbildungsverfahren auf ihre Leistungsfähigkeit geprüft.