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 und Themenschwerpunkte
Die Studienarbeit analysiert die Möglichkeiten und Grenzen des Einsatzes ausgewählter Verfahren des Maschinellen Lernens in der Finanzdienstleistungsindustrie. Das Hauptaugenmerk liegt dabei auf der Prädiktion von Aktienkursbewegungen.
- Einordnung des Maschinellen Lernens in die künstliche Intelligenz
- Differenzierung der Arten des Maschinellen Lernens
- Anwendungen des Maschinellen Lernens in der Finanzdienstleistungsindustrie
- Analyse der Ergebnisse von Support Vector Machines (SVM) und Künstlichen Neuronalen Netzen (KNN) bei der Prädiktion von Aktienkursbewegungen
- Kritische Würdigung der Möglichkeiten und Grenzen des Einsatzes von Maschinellen Lernverfahren in der Finanzdienstleistungsindustrie
Zusammenfassung der Kapitel
Die Einleitung führt in die Thematik des Maschinellen Lernens in der Finanzdienstleistungsindustrie ein und stellt den Fokus der Arbeit auf die Prädiktion von Aktienkursbewegungen dar. Kapitel 2 befasst sich mit dem Begriff und Wesen des Maschinellen Lernens, ordnet es in die künstliche Intelligenz ein, differenziert die Arten des Maschinellen Lernens und beschreibt den Status quo von Anwendungen in der Finanzdienstleistungsindustrie. In Kapitel 3 werden die Ergebnisse von Support Vector Machines (SVM) und Künstlichen Neuronalen Netzen (KNN) bei der Prädiktion von Aktienkursbewegungen analysiert. Kapitel 4 widmet sich einer kritischen Würdigung der Untersuchungsergebnisse, beleuchtet die Möglichkeiten und Grenzen der Verfahren und skizziert Weiterentwicklungsmöglichkeiten.
Schlüsselwörter
Maschinelles Lernen, künstliche Intelligenz, Finanzdienstleistungsindustrie, Aktienkursbewegungen, Prädiktion, Support Vector Machines (SVM), Künstliche Neuronale Netze (KNN), Möglichkeiten, Grenzen, Weiterentwicklungsmöglichkeiten.
- Citation du texte
- Marc Lengwenus (Auteur), 2020, Maschinelles Lernen in der Finanzdienstleistungsindustrie am Beispiel der Prädiktion von Aktienkursbewegungen, Munich, GRIN Verlag, https://www.grin.com/document/1382101
