Im Rahmen dieser Ausarbeitung soll versucht werden, die künftige Kursentwicklung kleiner Unternehmen aus Deutschland, Österreich und der Schweiz zu prognostizieren. Intention ist die möglicherweise gute Prognostizierbarkeit von Aktien mit geringer Volatilität.
Ziel dieser Ausarbeitung ist demnach die Prognose von Aktienkursen von Unternehmen mit geringer Marktkapitalisierung, sogenannten Small Caps, aus der Region Deutschland, Österreich und der Schweiz mittels künstlicher neuronaler Netze. Geprüft werden soll, ob mittels Deep Learning Prognosen möglich sind, die eine hohe Genauigkeit aufweisen, um diese für Entscheidungen, etwa Investitionsentscheidungen, heranzuziehen. Zur Erfüllung der Zielsetzung werden die historischen Kurse der Small Caps herangezogen und im Rahmen mehrerer Versuchsreihen um verschiedene weitere Parameter ergänzt und variiert, um als Teilzielsetzung auch die Auswirkungen verschiedener Einflussfaktoren auf die Prognosegüte der zu erstellenden Prognosemodelle zu prüfen.
Zunächst werden relevante markttheoretische Grundlagen betrachtet sowie ein Überblick über den Stand wesentlicher Theorien und der Forschung gegeben. Im dritten Kapitel werden sowohl der Aufbau als auch die Funktionsweise von künstlichen Neuronen und deren Zusammenspiel in künstlichen neuronalen Netzen beleuchtet. Betrachtet werden neben verschiedenen Lernformen auch unterschiedliche Arten neuronaler Netze. Eine Abwägung der Netze, im Sinne der Zielsetzung dieser Arbeit, mündet in der Auswahl eines Netztyps. Im vierten Kapitel erfolgt die Definition der Begrifflichkeit Small Cap sowie der Auswahlprozess der zu prognostizierenden Aktien und Indikatoren. Eine Beschreibung der Vorgehensweise begleitet exemplarisch die Prognose eines Nebenwertes. Im sechsten Kapitel werden acht Versuchsreihen mit wechselnden Parametern durchgeführt, um eine möglichst genaue Prognose zu ermöglichen. Diese werden mit den real eingetretenen Kursen und mit anderen Prognosemöglichkeiten verglichen und Vergleichsmaßstäbe zur Bewertung herangezogen.
Inhaltsverzeichnis
- Einleitung
- Relevanz
- Zielsetzung
- Vorgehensweise
- Literaturvergleich
- Überblick über Kapitalmarkttheorien
- Aktienanalyse
- Stand der Forschung
- Künstliche neuronale Netze
- Aufbau und Bestandteile künstlicher neuronaler Netze
- Schichtmodell
- Künstliche Neuronen
- Machine Learning und Deep Learning
- Grundlagen
- Training
- Lernregeln
- Regularisierung und Testphase
- Arten von KNN
- Rekurrente neuronale Netze
- Long Short-term Memory Netze
- Datengrundlage
- Small Caps
- Weitere Zeitreihen und Restriktionen
- Entwicklungsumgebung und Programmiersprache
- Datenreorganisation
- Durchführung der Zeitreihenprognose
- Import und Vorverarbeitung
- Datenanalyse
- Datenpartitionierung
- LSTM Netz
- Prognosebewertung
- Exportfunktion
- Ergebnisdarstellung und -würdigung
- Prognoseaufbau
- Versuchsreihe I – Schlusskurse
- Versuchsreihe II – Aktiendaten
- Versuchsreihe III – Kalendarische Daten
- Versuchsreihe IV – gleitende Mittelwerte
- Versuchsreihe V - Indexe
- Versuchsreihe VI – Tagesrenditen
- Versuchsreihe VII – Reorganisation der Zeitreihe
- Versuchsreihe VIII – Vergleich der Indexe
- Zusammenfassung
- Bewertung und kritische Würdigung
- Prognosen und Datengrundlage
- Hyperparameteroptimierung
- Kennzahlen und Bewertung
- Fazit
- Zusammenfassung und Würdigung
- Ausblick
Zielsetzung und Themenschwerpunkte
Diese Masterarbeit befasst sich mit der Anwendung von Deep Learning-Methoden zur Preisprognose von Small Caps. Das Ziel ist es, die Vorhersagegenauigkeit von Aktienkursen kleiner Unternehmen zu verbessern und die Eignung von Deep Learning-Modellen für diese Aufgabe zu untersuchen.
- Deep Learning-basierte Preisprognose von Small Caps
- Einsatz von Long Short-Term Memory (LSTM)-Netzwerken
- Bewertung der Prognosegenauigkeit
- Analyse der Einflussfaktoren auf die Prognose
- Relevanz von Deep Learning-Modellen für Finanzmärkte
Zusammenfassung der Kapitel
Die Arbeit beginnt mit einer Einleitung, die die Relevanz der Thematik, die Zielsetzung und die Vorgehensweise erläutert. Es folgt ein Literaturvergleich, der die relevanten Kapitalmarkttheorien, die Aktienanalyse und den Stand der Forschung im Bereich der künstlichen neuronalen Netze beleuchtet.
In Kapitel 3 werden künstliche neuronale Netze und ihre Anwendung im Bereich des Machine Learning und Deep Learning vorgestellt. Der Aufbau und die Bestandteile dieser Netze, sowie die verschiedenen Lernregeln und Regularisierungstechniken werden detailliert beschrieben.
Kapitel 4 widmet sich der Datengrundlage der Arbeit, die sich auf Small Caps konzentriert. Es werden die Datenquellen, die Auswahl der Zeitreihen und die Restriktionen der Datenerhebung erläutert.
In Kapitel 5 wird die Durchführung der Zeitreihenprognose mit Deep Learning-Modellen dargestellt. Die Schritte der Datenvorverarbeitung, Datenpartitionierung und das Training des LSTM-Netzwerks werden beschrieben.
Kapitel 6 präsentiert die Ergebnisse der Versuchsreihen und deren Würdigung. Es werden verschiedene Szenarien mit unterschiedlichen Zeitreihen und Datensatzvarianten untersucht. Die Ergebnisse der Prognosen werden bewertet und analysiert.
Schlüsselwörter
Small Caps, Deep Learning, LSTM, Preisprognose, Aktienkurse, Finanzmärkte, Zeitreihenanalyse, Machine Learning, künstliche neuronale Netze, Prognosegenauigkeit, Hyperparameteroptimierung.
- Arbeit zitieren
- Fabian Weiß (Autor:in), 2022, Preisprognose mit Deep Learning für Small Caps, München, GRIN Verlag, https://www.grin.com/document/1303518
