Die rasante Entwicklung der künstlichen Intelligenz hat einen revolutionären Einfluss auf verschiedene Aspekte unseres Lebens und unserer Gesellschaft. Seit der Einführung von ChatGPT durch die Firma OpenAI am 30. November 2022 hat sich die Landschaft des Informationsaustauschs und der Entscheidungsfindung grundlegend verändert. Diese Veränderungen sind besonders in der Finanzwelt spürbar, wo Investoren und Anleger stets bestrebt sind, innovative Wege zu finden, um Wertentwicklungen präziser vorherzusagen und fundierte Entscheidungen in Echtzeit zu treffen.
Die Integration von künstlicher Intelligenz, insbesondere von neuronalen Netzen, in die Finanzanalyse ist ein Thema von wachsender Bedeutung und eröffnet neue Perspektiven für die Analyse und Bewertung von Finanzmärkten. Die vorliegende Arbeit widmet sich daher einer umfassenden Untersuchung des Einsatzes von neuronalen Netzen in der Finanzanalyse, mit dem Ziel, sowohl ihre Legitimität und Integration in die Finanzmarkttheorie zu bewerten als auch ihre Leistungsfähigkeit in der Praxis zu prüfen.
Um das Thema in den betriebswirtschaftlichen Kontext einzuordnen, wird mit einer eingehenden Betrachtung der Grundlagen der Finanzmarkttheorie begonnen. Dabei wird besonderes Augenmerk auf die Entwicklung von der Hypothese effizienter Märkte hin zu den Überlegungen der Behavioral Finance gelegt, die traditionelle Annahmen über die Rationalität von Marktteilnehmern in Frage stellt.
Im weiteren Verlauf der Arbeit wird der Sentimentanalyse von Finanzartikeln und den Möglichkeiten, die künstliche Intelligenz bietet, um ein tieferes Verständnis für das Verhalten der Finanzmärkte zu entwickeln, Aufmerksamkeit geschenkt. Insbesondere wird die Anwendung von neuronalen Netzen in der Sentimentanalyse betrachtet und mit klassischen Machine Learning-Ansätzen verglichen.
Durch empirische Untersuchungen wird die Fähigkeit neuronaler Netze zur Sentimentanalyse von Finanznachrichten analysiert und die Ergebnisse in den Kontext der theoretischen Grundlagen gesetzt. Dabei werden sowohl Vor- und Nachteile dieses Ansatzes im Themenfeld der Finanzmärkte beleuchtet als auch mögliche Weiterentwicklungen oder Verbesserungen diskutiert. In der Zusammenfassung und im Ausblick werden schließlich wichtige Erkenntnisse zusammengefasst und Implikationen für zukünftige Forschung und Praxis aufgezeigt.
Inhaltsverzeichnis
1. Einleitung
2. Von der Markteffizienztheorie zur Behavioral Finance
2.1 Markteffizienzhypothese
2.1.1 Theorie der Markteffizienzhypothese
2.1.2 Implikationen der Markteffizienzhypothese für Investitionsentscheidungen
2.1.3 Kritische Betrachtung der Markteffizienzhypothese
2.2 Behavioral Finance als deutlicher Widerspruch
2.3 Zusammenfassung
3. Sentimentanalyse von Finanznewsartikeln
3.1 Bedeutung der Sentimentanalyse in der Finanzwissenschaft
3.2 Analyse von Finanznachrichten
3.3 Klassische regelbasierte Verfahren
3.3.1 Natural Language Processing
3.3.2 Regelbasierten Verfahren zur Sentimentanalyse
3.3.3 Auswertung der Ergebnisse und kritische Betrachtung
3.3.4 Vom regelbasierten Ansatz zum Machine Learning
4. Machine Learning und Deep Learning
4.1 Machine Learning
4.1.1 Support-Vector-Machine
4.1.2 Die Ermittlung der optimalen Grenzlinie
4.1.3 Hyperparameter C und Pufferzone
4.1.4 Vorteile und Grenzen des Ansatzes
4.2 Deep Learning
4.2.1 Neuronale Netze
4.2.2 Abgrenzung zum maschinellen Lernen und Kritik
4.2.3 Implikationen für die Finanzanalyse
5. Empirische Untersuchungen
5.1 Ziel dieser Untersuchungen
5.2 Sentimentanalyse von Finanzartikeln mit der SVM-Methode
5.2.1 Vorüberlegungen
5.2.2 Modelltraining im überwachten Lernen
5.2.3 Zielformulierung
5.2.4 Datenvorbereitung und -bearbeitung
5.2.5 Erklärung des Codes zur Sentimentanalyse mithilfe des SVM-Ansatzes
5.2.6 Darstellung und Diskussion der Ergebnisse
5.3 Sentimentanalyse von Finanzartikeln mithilfe Neuronaler Netze
5.3.1 Zielformulierung
5.3.2 Wahl des Neuronalen Netzes (Vorüberlegungen)
5.3.3 Hergang der Ausgangsuntersuchung
5.3.4 Darstellung und Diskussion der Ergebnisse
5.4 Anschlussuntersuchung Sentimentanalyse und Korrelation
5.4.1 Hergang der Anschlussuntersuchung
5.4.2 Darstellung und Diskussion der Ergebnisse
5.5 Kritische Betrachtung
6. Fazit und Zukunftsausblick
Zielsetzung und Themen
Die Arbeit untersucht, wie sich neuronale Netze für die Stimmungsanalyse von Finanznachrichten einsetzen lassen und wie ihre Leistungsfähigkeit gegenüber einem klassischen maschinellen Lernverfahren einzuordnen ist. Zudem fragt sie, ob sich Einschätzungen aus Finanzartikeln mit Aktienkursbewegungen in Beziehung setzen lassen.
- Markteffizienzhypothese und verhaltenswissenschaftliche Finanzmarkttheorie
- Regelbasierte Stimmungsanalyse und Verarbeitung natürlicher Sprache
- Überwachtes maschinelles Lernen mit einer Support-Vector-Machine
- Neuronale Netze und ChatGPT in der Finanzanalyse
- Finanznachrichten, Aktienkurse und Korrelationsanalyse
- Methodische Grenzen und Risiken automatisierter Bewertungen
Auszug aus dem Buch
3.2 Analyse von Finanznachrichten
In dieser Arbeit wird die Analyse von Finanznachrichten untersucht. Diese „Finanzartikel“ werden für die vorliegende Arbeit als journalistischer Beitrag definiert, der sich mit aktuellen Geschehnissen am Finanzmarkt befasst. Die Beiträge können dabei über wirtschaftliche Entwicklungen, Unternehmensnachrichten oder politische Entscheidungen informieren. Sie können auch Analysen und Kommentare zu diesen Themen enthalten.
Es wird davon ausgegangen, dass Informationen im [finanz-]wirtschaftlichen Kontext immer potentiell Einfluss auf Entscheidungen nehmen können (vgl. Holzmeister et al., 2022, S. 217 ff.). „Eine Nachricht ist stets eine beabsichtigte Übermittlung von Wissen von einer Person auf eine andere; unabhängig davon, ob sie zutreffend ist oder nicht, kann sie beim Empfänger zu einer Revision seiner Entscheidung führen.“ (ebd., S. 219).
Es stellt sich dabei die Frage nach Vertrauen bzw. Unsicherheit gegenüber der Nachrichtenquelle. Bei regelmäßig publizierenden, bekannten Medien kann man jedoch davon ausgehen, dass die Beurteilung dahingehend auf Grundlage von Erfahrungswerten getroffen werden kann. Einfluss auf die Beurteilung hat auch, ob man weiß, von wem die Nachricht kommt, welche Interessen der Sender potentiell verfolgt und wie viele andere auch Bescheid wissen (vgl. ebd., S. 219 f.).
In der Behavioral Finance Forschung wurde bereits gezeigt, dass Investoren auf Nachrichten reagieren, wobei tendenziell stärker auf schlechte als auf gute Nachrichten. Die Sentimentanalyse eignet sich dabei als Werkzeug, da sie auch die Analyse von qualitativen Informationen, wie z. B. dem Ton von Unternehmensberichten oder Nachrichtenartikeln, ermöglicht, welcher Rückschlüsse auf zukünftige Aktienrenditen geben kann (vgl. Arratia et al. 2021, S. 196 f.).
Im Gegensatz zu quantitativen Finanzdaten sind Textdaten oft subjektiver und erfordern Kontext zur Interpretation. Die Verarbeitung erfordert eine textbasierte Analyse, die sowohl semantische als auch sentimentale Informationen berücksichtigt. Die Sentimentanalyse ist ein komplexes Verfahren, das es ermöglich die Nuanciertheit von subjektiven Informationen, Emotionen, Meinungen und Stimmungen in Finanztexten zu erkennen.
Die Nuanciertheit kann auch zur Herausforderung werden. Regelbasierte Verfahren bieten einen Ansatz, um diese vermeintlich zu bewältigen und sollen daher zunächst als ein mögliches, einfaches Instrument der Finanzanalyse zum Vergleich herangezogen werden.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung verortet künstliche Intelligenz und neuronale Netze in der Finanzanalyse und stellt Ziel und Aufbau der Arbeit vor.
2. Von der Markteffizienztheorie zur Behavioral Finance: Das Kapitel erläutert die Markteffizienzhypothese, ihre Auswirkungen auf Anlageentscheidungen und ihre Kritik. Anschließend führt es verhaltenswissenschaftliche Erklärungen anhand von Marktbeispielen ein.
3. Sentimentanalyse von Finanznewsartikeln: Hier werden Finanznachrichten und die Bedeutung der Stimmungsanalyse behandelt. Ein regelbasiertes Verfahren wird anhand ausgewählter Artikel erprobt und kritisch betrachtet.
4. Machine Learning und Deep Learning: Das Kapitel beschreibt überwachtes Lernen und Support-Vector-Machines sowie Aufbau und Eigenschaften neuronaler Netze. Es diskutiert deren Möglichkeiten und Grenzen für die Finanzanalyse.
5. Empirische Untersuchungen: Die Untersuchungen vergleichen ein SVM-Modell und ChatGPT bei der Bewertung von Finanznachrichten. Eine Anschlussuntersuchung setzt Einschätzungen zu Volkswagen-Artikeln mit Aktienkursveränderungen in Beziehung und diskutiert methodische Einschränkungen.
6. Fazit und Zukunftsausblick: Das Schlusskapitel bündelt die finanztheoretischen und empirischen Überlegungen und erörtert Grenzen sowie mögliche Weiterentwicklungen der Stimmungsanalyse.
Schlüsselwörter
Sentimentanalyse, Finanznachrichten, Finanzanalyse, künstliche Intelligenz, neuronale Netze, maschinelles Lernen, Support-Vector-Machine, ChatGPT, Markteffizienzhypothese, verhaltenswissenschaftliche Finanzmarkttheorie, Aktienkurse, Pearson-Korrelation, Textanalyse
Häufig gestellte Fragen
Worum geht es in der Arbeit?
Die Arbeit untersucht den Einsatz neuronaler Netze zur Stimmungsanalyse von Finanznachrichten und ordnet ihn in die Finanzmarkttheorie ein.
Welche Themenfelder stehen im Mittelpunkt?
Im Mittelpunkt stehen Markteffizienz, verhaltenswissenschaftliche Finanzmarkttheorie, automatisierte Textanalyse, maschinelles Lernen und neuronale Netze.
Was ist das zentrale Ziel der Untersuchung?
Untersucht wird, wie leistungsfähig neuronale Netze bei der Bewertung von Finanznachrichten sind und wie sie sich gegenüber einem klassischen maschinellen Lernansatz einordnen lassen.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit verbindet eine theoretische Analyse mit empirischen Erprobungen eines regelbasierten Verfahrens, einer Support-Vector-Machine und von ChatGPT. Eine Anschlussuntersuchung nutzt Pearson-Korrelationen.
Was behandelt der Hauptteil?
Der Hauptteil erläutert finanztheoretische Grundlagen und Verfahren der Stimmungsanalyse, beschreibt maschinelle Lernmodelle und diskutiert die empirischen Untersuchungen sowie ihre Grenzen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Sentimentanalyse, Finanznachrichten, neuronale Netze, Support-Vector-Machine, ChatGPT, Markteffizienz und Aktienkursentwicklung.
Welche Artikel werden für die Untersuchung mit ChatGPT verwendet?
Die Ausgangsuntersuchung betrachtet manuell bewertete Industrieartikel der Frankfurter Allgemeinen Zeitung aus den Jahren 2019 bis 2021. Nach einer Relevanzprüfung verbleiben 135 Artikel.
Welche Rolle spielt Volkswagen in der Anschlussuntersuchung?
Anhand von 89 Artikeln über Volkswagen werden Stimmungsbewertungen und Einschätzungen zur Aktientendenz mit Veränderungen des Aktienkurses verglichen.
Welche Grenzen des Vorgehens werden diskutiert?
Die Arbeit thematisiert unter anderem die begrenzte Auswahl an Quellen und Artikeln, mögliche Verzerrungen manueller Bewertungen und Schwankungen bei wiederholten Einschätzungen durch ChatGPT.
- Quote paper
- Anonym (Author), 2023, Neuronale Netze in der Finanzanalyse. Eine empirische Untersuchung anhand von Finanznachrichten, Munich, GRIN Verlag, https://www.grin.com/document/1446743