Machine Learning basierte Handelsstrategien. Ein Vergleich zwischen Random Forest und LSTM anhand des Deutschen Aktienindex 40

Master's Thesis , 2024 , 102 Pages , Grade: 1,0

Economics - Finance

Diese Masterarbeit beschäftigt sich mit zwei zentralen Fragestellungen, die angesichts der aktuellen Trends im Machine Learning (ML) und algorithmischen Handel von besonderer Bedeutung sind. Die erste Forschungsfrage beschäftigt sich mit dem Vergleich des Random Forest- und des Long Short-Term Memory-Modells. Ziel ist es herauszufinden, welches dieser beiden ML-Modelle im Rahmen des DAX 40 effektiver ist, um zuverlässige Vorhersagen für die Renditen des nächsten Handelstages zu liefern. Die Relevanz dieser Frage liegt darin, die Genauigkeit und Zuverlässigkeit der Modelle in der kurzfristigen Vorhersage von Markbewegungen zu bewerten.

Die zweite Forschungsfrage konzentriert sich auf die praktische Anwendbarkeit von ML-Modellen im algorithmischen Handel. Sie soll untersuchen, ob eine auf ML-Modellen basierende Handelsstrategie, die speziell auf die Vorhersage der Rendite des nächsten Handelstages ausgerichtet ist, verlässliche und profitable Ergebnisse im DAX 40 erzielen kann. Die Beantwortung dieser Frage soll wichtige Erkenntnisse liefern, ob ML-Modelle eine tragfähige Alternative oder Ergänzung zu klassischen Handelsstrategien darstellen.

Inhaltsverzeichnis

• 1 Einleitung
• 2 Machine Learning
  • 2.1 Verschiedene Ansätze des Machine Learnings im Überblick
    • 2.1.1 Supervised Learning
    • 2.1.2 Unsupervised Learning
    • 2.1.3 Reinforcement Learning
  • 2.2 Spezielle Verfahren des Machine Learnings
    • 2.2.1 Long Short-Term Memory
    • 2.2.2 Random Forest
  • 2.3 Evaluierungsmetriken im Machine Learning
  • 2.4 Allgemeine Herausforderungen des Machine Learnings
    • 2.4.1 Unstable Gradient Problem
    • 2.4.2 Overfitting
    • 2.4.3 Underfitting
• 3 Machine Learning im Finanzmarktkontext
  • 3.1 Unsicherheit und Risiko
    • 3.1.1 Volatilität
    • 3.1.2 Value-at-Risk
  • 3.2 Markteffizienztheorie
  • 3.3 Performancemessung
    • 3.3.1 Benchmark
    • 3.3.2 Rebalancing
    • 3.3.3 Zeithorizont
  • 3.4 Prozess der Datenverarbeitung
• 4 Implementierung und Vergleich der Algorithmen
  • 4.1 Datenbeschaffung und -verarbeitung
  • 4.2 Aufteilung in Trainings-, Validierungs- und Testdatensätze
  • 4.3 Optimierung und Implementierung der Modelle
    • 4.3.1 LSTM-Modell
    • 4.3.2 RF-Modell
  • 4.4 Evaluierung der ML-Modelle
• 5 Performancevergleich der Handelsstrategie
  • 5.1 Generierung von LSTM-Vorhersagen auf DAX-Aktien
  • 5.2 Implementierung und Backtesting der Handelsstrategie
  • 5.3 Evaluierung der Performance der Handelsstrategien

Zielsetzung und Themenschwerpunkte

Diese Masterthesis untersucht den Einsatz von Machine-Learning-Algorithmen im Aktienhandel. Ziel ist der Vergleich von Random Forest und LSTM-Modellen zur Vorhersage des Deutschen Aktienindex 40 (DAX).

• Vergleich verschiedener Machine-Learning-Ansätze
• Anwendung von LSTM und Random Forest im Finanzmarktkontext
• Performancemessung von Handelsstrategien basierend auf den ML-Modellen
• Bewertung der Herausforderungen des Machine Learnings im Finanzmarkt
• Datenverarbeitung und -aufbereitung für den Algorithmenvergleich

Zusammenfassung der Kapitel

Kapitel 1 dient als Einleitung. Kapitel 2 bietet einen Überblick über Machine Learning, einschließlich verschiedener Ansätze und spezifischer Verfahren wie LSTM und Random Forest. Es werden auch wichtige Evaluierungsmetriken und allgemeine Herausforderungen von Machine-Learning-Modellen behandelt. Kapitel 3 beleuchtet den Kontext des Machine Learnings im Finanzmarkt, einschließlich Unsicherheit, Risiko, Markteffizienz und Performancemessung. Kapitel 4 beschreibt die Implementierung der Algorithmen, die Datenverarbeitung und die Aufteilung der Daten in Trainings-, Validierungs- und Testdatensätze. Kapitel 5 beschäftigt sich mit der Generierung von Vorhersagen, dem Backtesting der Handelsstrategien und der Evaluierung der Performance.

Schlüsselwörter

Machine Learning, LSTM, Random Forest, DAX 40, Aktienhandel, Handelsstrategien, Performancemessung, Risikomanagement, Markteffizienz, Datenverarbeitung, Backtesting, Evaluierungsmetriken.

• College: Technical University of Applied Sciences Mittelhessen
• Grade: 1,0
• Author: Anonym (Author)
• Publication Year: 2024
• Pages: 102
• Catalog Number: V1505817
• ISBN (PDF): 9783389069172
• ISBN (Book): 9783389069189
• Language: German
• Tags: Machine Learning, LSTM, Random Forest, Handelsstratgie, Aktienmarkt, DAX40