Diese Arbeit analysiert die Prädiktion von Aktienkursbewegungen im Hinblick auf den Einsatz der ML-Verfahren Support Vector Machines (SVM) und Künstlicher Neuronaler Netze (KNN). Dabei wird die Prädiktion der Bewegungsrichtung von Aktienkursen beleuchtet.
Zunächst wird der Begriff und das Wesen des Maschinellen Lernens eindeutig definiert und in die künstliche Intelligenz eingeordnet. Dabei wird der aktuelle Status quo von Anwendungen des ML in der Finanzdienstleistungsindustrie vorgestellt. Nach der Darstellung des Analysegegenstandes und der damit verbundenen Einordnung in den aktuellen Kenntnisstand zur Prädiktion von Aktienkursbewegungen erfolgt eine Analyse der Ergebnisse von SVM und KNN basierten Prädiktionsmodellen zu Aktienkursbewegungen. Dies erfolgt bei den SVMs anhand von sechs Fachbeiträgen, welche u.a. im Hinblick auf Performancemaße, Datenbasis und Datenselektionskriterien vorgestellt werden. Das selbige erfolgt bei den KNN an hand von sieben Fachbeiträgen, wovon vier auch bei der Analyse im Hinblick auf SVM verwendet werden, sodass insgesamt neun Fachbeiträge betrachtet werden.
Abschließend werden die Möglichkeiten, Grenzen, sowie Weiterentwicklungspotenziale in Bezug auf die analysierten Beiträge vorgestellt. Insgesamt gilt es zu beantworten, ob und wie präzise die Bewegungsrichtungen von Aktienkursen mithilfe von ML-basierten Verfahren, wie SVM und KNN, prädiziert werden können.
Inhaltsverzeichnis
1. Einleitung
2. Begriff und Wesen des Maschinellen Lernens
2.1 Einordnung des Maschinellen Lernens in die künstliche Intelligenz
2.2 Differenzierung der Arten des Maschinellen Lernens
2.3 Beschreibung des Status quo von Anwendungen des Maschinellen Lernens in der Finanzdienstleistungsindustrie
3. Analyse der Ergebnisse Maschineller Lernverfahren am Beispiel der Prädiktion von Aktienkursbewegungen
3.1 Prädiktion von Aktienkursbewegungen - Darstellung des Analysegegenstandes
3.2 Analyse der Ergebnisse von Support Vector Machines (SVM) am Beispiel der Prädiktion von Aktienkursbewegungen
3.3 Analyse der Ergebnisse von Künstlichen Neuronalen Netzen (KNN) am Beispiel der Prädiktion von Aktienkursbewegungen
4. Kritische Würdigung der Untersuchungsergebnisse zu ausgewählten Maschinellen Lernverfahren am Beispiel der Prädiktion von Aktienkursbewegungen
4.1 Möglichkeiten der Untersuchungen am Beispiel der Prädiktion von Aktienkursbewegungen
4.2 Grenzen der Untersuchungen am Beispiel der Prädiktion von Aktienkursbewegungen
4.3 Weiterentwicklungsmöglichkeiten auf Grundlage der vorliegenden Untersuchungsergebnisse
5. Fazit
Zielsetzung & Themen
Die vorliegende Arbeit analysiert die Möglichkeiten und Grenzen des Einsatzes ausgewählter Verfahren des Maschinellen Lernens (ML), speziell Support Vector Machines (SVM) und Künstliche Neuronale Netze (KNN), im Kontext der Finanzdienstleistungsindustrie am Beispiel der Prädiktion von Aktienkursbewegungen.
- Konzepte des Maschinellen Lernens in der Finanzwirtschaft
- Analyse und Vergleich der Prädiktionsqualität von SVM und KNN
- Einfluss von Datenbasis und Indikatoren auf die Modellgenauigkeit
- Kritische Würdigung der Markteffizienzhypothese durch ML-Ansätze
- Potentiale und Herausforderungen bei der Implementierung von Handelsautomatismen
Auszug aus dem Buch
3.1 Prädiktion von Aktienkursbewegungen - Darstellung des Analysegegenstandes
Im Folgenden wird der Analysegegenstand, die Prädiktion von Aktienkursbewegungen, vorgestellt und erläutert weshalb in den beiden darauffolgenden Abschnitten jeweils ML-Verfahren zu SVM und KNN dahingehend analysiert werden, wobei sich die Auswahl der Forschungsbeiträge, auf Basis subjektiver Kriterien (Qualität, Anzahl Zitation usw.), hauptsächlich auf qualitativ hochwertige Journalbeiträge beschränkt. Zunächst erscheint jedoch die Definition des Begriffes der Prädiktion sinnvoll, um die Analyseergebnisse entsprechend einordnen zu können. Dabei ist die Prädiktion von der erklärenden, welche sich auf die Anwendung statistischer Modelle auf Daten zur Überprüfung kausaler Hypothesen, mithilfe von theoretischen Konstrukten, beschränkt, und der beschreibenden, die darauf abzielt Datenstrukturen in kompakter Form zusammenzufassen und darzustellen, Modellierung abzugrenzen. Die Prädiktion bzw. ein Prädiktionsmodell kann als Prozess zur Verwendung von statistischen Modellen oder Data-Mining-Algorithmen auf Daten verstanden werden, wobei das Ziel darin liegt die Ausgabewerte auf Basis neuer Beobachtungen, welche die Eingabewerte darstellen, vorherzusagen.
Die präzise Prädiktion von Aktienkursbewegungen zeigt sich als große Herausforderung und bedeutendes Thema für Investoren. Daten zu Aktienkursen stellen eine wichtige Informationsquelle dar, die sehr volatil, nichtlinear und von vielen Unsicherheiten, sowie miteinander global verknüpften wirtschaftlichen und politischen Faktoren, beeinflusst werden. Zudem zeigt sich sogenanntes Rauschen, nicht stationäres und deterministisch chaotisches Verhalten innerhalb von finanziellen Zeitreihen.
Sobald die Prädiktion von Aktienkursbewegungen ein Analysegegenstand wird ist in diesem Zusammenhang die Kapitalmarkteffizienz ein Diskussionsgegenstand. Die Frage nach der Effizienz von Kapitalmärkten spaltet seit jeher Theorie und Praxis.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in die Relevanz des Maschinellen Lernens für die Finanzdienstleistungsindustrie ein und umreißt die Untersuchung der Verfahren SVM und KNN zur Prädiktion von Aktienkursbewegungen.
2. Begriff und Wesen des Maschinellen Lernens: Dieses Kapitel definiert die grundlegenden Konzepte von KI und ML, unterteilt diese in verschiedene Lernarten wie überwachtes und unüberwachtes Lernen und beleuchtet den aktuellen Status quo der Anwendung in der heutigen Finanzwirtschaft.
3. Analyse der Ergebnisse Maschineller Lernverfahren am Beispiel der Prädiktion von Aktienkursbewegungen: Hier werden die Ergebnisse ausgewählter Forschungsbeiträge zu den Prädiktionsleistungen von Support Vector Machines und Künstlichen Neuronalen Netzen detailliert dargestellt und verglichen.
4. Kritische Würdigung der Untersuchungsergebnisse zu ausgewählten Maschinellen Lernverfahren am Beispiel der Prädiktion von Aktienkursbewegungen: Dieses Kapitel beleuchtet die Chancen und Grenzen der ML-Modellierung, diskutiert methodische Herausforderungen wie Overfitting und Datenselektion sowie zukünftige Entwicklungspfade.
5. Fazit: Das Fazit fasst die Ergebnisse zusammen, konstatiert die tendenzielle Überlegenheit von SVM gegenüber KNN in der untersuchten Literatur und gibt einen Ausblick auf künftige Technologien wie Reinforcement Learning.
Schlüsselwörter
Maschinelles Lernen, Künstliche Neuronale Netze, Support Vector Machines, Aktienkursprädiktion, Finanzdienstleistungsindustrie, Prognosegenauigkeit, Zeitreihenanalyse, Kapitalmarkteffizienz, Künstliche Intelligenz, Deep Learning, Algorithmic Trading, Marktanomalien, Performancemaße.
Häufig gestellte Fragen
Worum geht es in dieser Studienarbeit grundsätzlich?
Die Arbeit analysiert, wie Verfahren des Maschinellen Lernens, insbesondere SVM und KNN, eingesetzt werden können, um Bewegungen von Aktienkursen vorherzusagen.
Was sind die zentralen Themenfelder der Analyse?
Die zentralen Felder sind die Einordnung von ML in die moderne Finanzwelt, die empirische Analyse spezifischer Lernmodelle und deren kritische Bewertung hinsichtlich ihrer Nutzbarkeit für Investitionsstrategien.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, die Möglichkeiten und Grenzen von SVM- und KNN-Modellen bei der Prädiktion von Aktienkursrichtungen aufzuzeigen und zu prüfen, ob diese eine adäquate Weiterentwicklung traditioneller statistischer Modelle darstellen.
Welche wissenschaftliche Methode verwendet der Autor?
Der Autor führt eine Literaturanalyse durch, indem er verschiedene hochwertige Forschungsbeiträge sichtet und die Ergebnisse (Performancemaße wie AUC) der SVM- und KNN-Modelle anhand dieser Studien gegenüberstellt.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die Definition von ML-Grundlagen, die detaillierte Vorstellung und Analyse der Ergebnisse von SVM und KNN anhand von Fallstudien sowie eine kritische Würdigung der methodischen Möglichkeiten und Limitationen.
Welche Schlüsselwörter charakterisieren die Untersuchung am besten?
Die Arbeit lässt sich am besten durch Begriffe wie Künstliche Intelligenz, Finanzdienstleistungen, Aktienmarkt-Prädiktion, SVM, KNN und Algorithmic Trading beschreiben.
Wie unterscheiden sich SVM und KNN in ihrer Performance bei der Kursprädiktion?
Basierend auf der ausgewerteten Literatur zeigt sich in dieser Studie eine tendenzielle Überlegenheit der Support Vector Machines gegenüber den betrachteten Künstlichen Neuronalen Netzen in der Prädiktionsgenauigkeit.
Welche Rolle spielt die Datenqualität für die Modelle?
Die Datenqualität ist fundamental; der Autor betont, dass nicht nur die Menge der Daten, sondern vor allem die richtige Vorbehandlung und Auswahl der Variablen (z.B. technische Indikatoren) entscheidend für den Erfolg der Vorhersagemodelle ist.
- Quote paper
- Marc Lengwenus (Author), 2020, Maschinelles Lernen in der Finanzdienstleistungsindustrie am Beispiel der Prädiktion von Aktienkursbewegungen, Munich, GRIN Verlag, https://www.grin.com/document/1382101
