Neuronale Netze in der Finanzanalyse. Eine empirische Untersuchung anhand von Finanznachrichten

Mémoire (de fin d'études) , 2023 , 81 Pages , Note: 1,7

Gestion d'entreprise - Investissement et Financement

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....

Zielsetzung und Themenschwerpunkte

Diese Arbeit befasst sich mit der Anwendung von Machine Learning und Deep Learning Methoden zur Sentimentanalyse von Finanznewsartikeln und deren Einfluss auf die Aktienkursentwicklung. Das Ziel ist es, die Effizienz der traditionellen Markteffizienzhypothese in der Finanzwissenschaft zu hinterfragen und alternative Ansätze zur Analyse von Finanzmärkten zu präsentieren. Die Arbeit untersucht, inwieweit sich die Sentimentanalyse als Instrument zur Vorhersage von Aktienkursentwicklungen nutzen lässt.

• Bewertung der Markteffizienzhypothese im Kontext von Behavioral Finance
• Anwendung von Machine Learning und Deep Learning Methoden zur Sentimentanalyse von Finanznewsartikeln
• Analyse des Einflusses von Sentiment auf die Aktienkursentwicklung
• Bewertung der Ergebnisse und Implikationen für die Finanzanalyse
• Diskussion der Grenzen und Potenziale der Sentimentanalyse im Finanzbereich

Zusammenfassung der Kapitel

• Kapitel 1: Die Einleitung führt in die Thematik der Sentimentanalyse im Kontext von Finanzmärkten ein und stellt die Relevanz der Arbeit im Hinblick auf die aktuellen Herausforderungen der Finanzwissenschaft dar. Sie skizziert die Zielsetzung und den Aufbau der Arbeit.
• Kapitel 2: Dieses Kapitel beleuchtet die Markteffizienzhypothese und die Kritikpunkte, die von der Behavioral Finance aufgezeigt werden. Es stellt die grundlegenden Konzepte und Annahmen der beiden Ansätze gegenüber und untersucht, inwieweit sich die Markteffizienztheorie durch empirische Evidenz bestätigen lässt.
• Kapitel 3: Dieses Kapitel behandelt die Sentimentanalyse von Finanznewsartikeln im Detail. Es erläutert die Bedeutung und die Herausforderungen der Sentimentanalyse in der Finanzwissenschaft und stellt verschiedene Methoden und Ansätze zur Erfassung von Sentiment in Finanztexten vor.
• Kapitel 4: Dieses Kapitel widmet sich den Methoden des Machine Learning und Deep Learning, die in der Sentimentanalyse Anwendung finden. Es erklärt die Funktionsweise der Support-Vector-Machine (SVM) und neuronaler Netze sowie die Vorteile und Herausforderungen dieser Ansätze für die Finanzanalyse.
• Kapitel 5: Dieses Kapitel präsentiert die empirischen Untersuchungen, die im Rahmen der Arbeit durchgeführt wurden. Es beschreibt die Vorgehensweise der Sentimentanalyse von Finanzartikeln mithilfe der SVM-Methode und neuronaler Netze, die gewonnenen Ergebnisse und die Korrelation zwischen Sentiment und Aktienkursentwicklung.

Schlüsselwörter

Die Arbeit konzentriert sich auf die Themen Sentimentanalyse, Machine Learning, Deep Learning, Finanzmärkte, Markteffizienz, Behavioral Finance, Aktienkurse, Finanznewsartikel, Support-Vector-Machine, Neuronale Netze, NLP (Natural Language Processing), empirische Forschung, Sentiment-Indikatoren, Korrelationsanalyse.

• Université: Ernst Moritz Arndt University of Greifswald
• Note: 1,7
• Auteur: Anonym (Auteur)
• Année de publication: 2023
• Pages: 81
• N° de catalogue: V1446743
• ISBN (PDF): 9783963567551
• ISBN (Livre): 9783963567568
• Langue: allemand
• mots-clé: Finanzanalyse, Künstliche Intelligenz, KI, ChatGPT, OpenAI, Neuronale Netze, Behavioral Finance, Sentimentalanalyse, Markteffizienzhypothese, Machine Learning