Ziel dieser Arbeit war es, empirisch zu überprüfen, ob anhand von Big Data (hier: Google Trends) und/oder Fundamentaldaten (hier: ifo Geschäftsklimaindex) eine Renditeprognose für den DAX Performance Index möglich ist. Die Renditeprognose erfolgt dabei auf wöchentlicher und monatlicher Basis. Ein besonderer Fokus liegt hierbei auf der Prognosefähigkeit während Konjunkturkrisen, da während diesen Zeiten eine korrekte Prognose besonders lukrativ wäre.
Darüber hinausgehend soll anhand der gewonnenen Erkenntnisse eine oder mehrere Strategien implementiert werden, die in der Lage sind eine BaH-Strategie, basierend auf dem DAX, zu schlagen. Ziel der Arbeit ist es hingegen nicht, eine genaue Renditeprognose des nächsten Monats bzw. der nächsten Monate zu treffen. Es ist lediglich angestrebt zu prognostizieren, ob Renditen in diesen Zeiträumen vermehrt positiv oder negativ sein werden.
Zur Herausarbeitung der Fragestellungen werden Daten mit zwei statistischen Verfahren untersucht, die Ergebnisse interpretiert und kritisch hinterfragt sowie anschließend versucht eine Strategie, basierend auf dem DAX, zu implementieren. Bei den Daten handelt es sich um DAX-Renditen, ifo Geschäftsklimaindex, Leitzinsen sowie Google Trends Daten. Zur statistischen Analyse eignen sich – da vor allem Dummy-Variablen als Prognosevariablen eingesetzt werden – T-Tests, allerdings werden im zweiten Teil der empirischen Analyse auch Lineare Regressionen herangezogen.
Inhaltsverzeichnis
1. Einleitung
2. Die Existenz von Aktienmarktblasen - Theorie und Empirie
2.1 Neoklassische Kapitalmarkttheorie und Behavioral Finance
2.2 Definition und Arten von Aktienmarktblasen
2.3 Die historische Aktienmarktblasenforschung – Ablauf und Ursachen
3. Die Prognostizierbarkeit von Aktienmarktblasen und -renditen
3.1 Bewertungskennzahlen – Der Beginn der Aktienrenditeprognose
3.2 Investorenstimmung und Konjunkturindikatoren
3.3 Big Data – Ein neuartiger Ansatz der Renditeprognose
4. Big Data vs. Fundamentaldaten – Eine Überprüfung der Prognostizierbarkeit von Aktienrenditen anhand des DAX
4.1 Zielsetzung und Aufbau der empirischen Untersuchung
4.1.1 Verwendete DAX Daten
4.1.2 Statistische Verfahren
4.2 Die Fundamentaldaten – Ifo Geschäftsklima und Leitzinsen
4.2.1 Der ifo Geschäftsklimaindex
4.2.1.1 Berechnung des ifo Geschäftsklimaindex
4.2.1.2 Bisherige empirische Ergebnisse und Vorgehensweise
4.2.1.3 In-Sample Test – Das Bry-Boschan-Verfahren
4.2.1.4 Out-of-Sample Tests – Dreimal-Regel und Gleitender Durchschnitt
4.2.2 Die Leitzinsen
4.2.3 Kombination von ifo Geschäftsklimaindex und Leitzinsen
4.2.4 Implementierung der Strategien und Fazit
4.3 Big Data - Google Trends und die Macht großer Datenmengen
4.3.1 Herkunft der Daten
4.3.2 Bisherige empirische Ergebnisse, Kritik und Vorgehensweise
4.3.3 Auswahl der Begriffe
4.3.4 Testdurchführung
4.3.5 Interpretation der Ergebnisse und mögliche Strategien
4.4 Zusammenführung Big Data und Fundamentaldaten
4.5 Aktueller Ausblick – Wo geht es hin mit dem DAX?
5. Zusammenfassung und Fazit
Zielsetzung & Themen
Die Arbeit untersucht empirisch, ob anhand von Big Data (Google Trends) oder Fundamentaldaten (ifo Geschäftsklimaindex, Leitzinsen) eine Renditeprognose für den DAX möglich ist, um durch Market-Timing gegenüber einer passiven Buy-and-Hold-Strategie eine Outperformance zu erzielen.
- Theorie und Empirie von Aktienmarktblasen
- Methoden der Renditeprognose mittels Bewertungskennzahlen, Investorenstimmung und Big Data
- Empirische Analyse von ifo Geschäftsklimaindex und Leitzinsen zur DAX-Prognose
- Analyse von Google Trends Daten zur Vorhersage von Marktbewegungen
- Implementierung und Vergleich von Handelsstrategien zur Outperformance gegenüber dem DAX
Auszug aus dem Buch
2.3 Die historische Aktienmarktblasenforschung – Ablauf und Ursachen
Um Bubbles rechtzeitig zu erkennen wird oft versucht, die aktuelle Lage mit historischen Ereignissen zu vergleichen. Auch wenn jede vergangene Blase einzigartig ist, sind Gemeinsamkeiten erkennbar. Dieses Thema ist das Zentrale in der historische Aktienblasenforschung, der u.a. Chancellor, Minsky, Kindleberger, Galbraith und Garber zuzuordnen sind. In den versuchten Erklärungsansätzen sind sowohl rationale als auch irrationale Gründe vorzufinden. Im Folgenden werden das Modell von Minsky (1964) und dessen erweiterte Version von Kindleberger/Aliber (2005) dargestellt.
Das wohl bekannteste theoretische Modell, auf dem viele weitere Theorien aufbauen, stammt von Minsky (1964). Dieses beinhaltet ökonomische Zusammenhänge und Grundlagen, aber auch irrationales Anlegerverhalten spielt eine entscheidende Rolle. Ein besonderes Augenmerk liegt bei ihm auf der sich ändernden Struktur des Finanzsystems während Wachstumsphasen, das zu einer zunehmenden Instabilität führt. Er widerspricht der neoklassischen Theorie, in der sich die Märkte von selbst im Gleichgewicht halten bzw. dieses immer wieder hergestellt wird. Vielmehr bewegt sich das Kreditangebot prozyklisch mit der Konjunktur. Durch sich verändernde makroökonomische Rahmenbedingungen – sei es durch neue Technologien oder eine erhöhte Profitabilität etablierter Unternehmen – werden Investoren auf den Aktienmarkt aufmerksam und beurteilen die Zukunft optimistischer. Diese Phase wird Verlagerung genannt. Zu dieser Zeit sind die Zinsen, durch eine vorausgegangene Krise, sehr niedrig und es eröffnen sich lukrative Investitionsmöglichkeiten. Die darauf folgende Phase, der Boom, zeichnet sich durch steigende Preise der betroffenen Assets aus. Diese entstehen durch positive Feedbackprozesse, hohe Kapitalzuflüsse und eine erhöhte Kreditnachfrage, getrieben durch eine gesunkene Risikoaversion von Marktteilnehmern. Durch den leichten und günstigen Zugang zu Krediten (geringe Margin) kann es in Folge zum sogenannten Overtrading kommen. Assets werden dabei nicht mehr als Kapitalanlage, sondern als Spekulationsobjekte gehalten. Dieser Prozess führt zum Abweichen vom rationalen Verhalten.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beleuchtet die Problematik der Renditeprognose am Kapitalmarkt und stellt das Ziel der Arbeit vor, Big Data und Fundamentaldaten empirisch auf ihre Prognosefähigkeit für den DAX zu untersuchen.
2. Die Existenz von Aktienmarktblasen - Theorie und Empirie: Dieses Kapitel erläutert die theoretischen Grundlagen von Aktienmarktblasen, vergleicht neoklassische Ansätze mit Behavioral Finance und diskutiert historische Erklärungsmodelle für Blasenbildungen.
3. Die Prognostizierbarkeit von Aktienmarktblasen und -renditen: Hier wird der Forschungsstand zur Renditeprognose dargelegt, wobei Bewertungskennzahlen, Investorenstimmung und neuartige Big Data-Ansätze kritisch analysiert werden.
4. Big Data vs. Fundamentaldaten – Eine Überprüfung der Prognostizierbarkeit von Aktienrenditen anhand des DAX: Der empirische Hauptteil untersucht die Prognosefähigkeit von ifo-Daten, Leitzinsen und Google Trends, leitet daraus Handelsstrategien ab und vergleicht diese mit einer Buy-and-Hold-Benchmark.
5. Zusammenfassung und Fazit: Das Fazit fasst die empirischen Ergebnisse zusammen, bewertet den Erfolg der implementierten Handelsstrategien und gibt einen Ausblick auf zukünftige Forschungsmöglichkeiten im Bereich der Renditeprognose.
Schlüsselwörter
Aktienrenditen, DAX, ifo Geschäftsklimaindex, Big Data, Google Trends, Aktienmarktblasen, Renditeprognose, Leitzinsen, Behavioral Finance, Finanzmarktkrise, Handelsstrategien, Market-Timing, Indexprognose, SVI, Kapitalmarkteffizienz
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, ob es möglich ist, durch die Analyse von Fundamentaldaten wie dem ifo Geschäftsklimaindex und Leitzinsen sowie Big-Data-Quellen wie Google Trends die künftige Kursentwicklung des DAX vorherzusagen und daraus profitable Anlagestrategien abzuleiten.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die Effizienz von Kapitalmärkten, das Zustandekommen von Aktienmarktblasen, die Anwendbarkeit statistischer Verfahren auf Finanzmarktdaten und die Nutzung von Internet-Suchdaten zur Stimmungsanalyse von Anlegern.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist die Implementierung von Anlagestrategien, die durch ein systematisches Market-Timing eine Outperformance gegenüber einer passiven Buy-and-Hold-Strategie am DAX erreichen.
Welche wissenschaftliche Methode wird verwendet?
Es werden empirische Methoden wie einseitige T-Tests zur Signifikanzprüfung von Renditedifferenzen und lineare Regressionen eingesetzt, um den Prognosegehalt von Wirtschaftsindikatoren und Suchvolumina zu validieren.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil widmet sich der systematischen Überprüfung von Wirtschaftsdaten und Suchanfragen, der Definition von Wendepunkten mittels technischer Verfahren wie dem Bry-Boschan-Verfahren oder der Dreimal-Regel sowie der praktischen Backtesting-Analyse von Handelsstrategien.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die wichtigsten Schlagworte sind Aktienrenditen, DAX, ifo Geschäftsklimaindex, Big Data, Google Trends, Aktienmarktblasen, Renditeprognose und Market-Timing.
Wie erfolgreich waren die Strategien unter Einbeziehung von Leitzinsen?
Die Kombination von ifo-Daten und Leitzinsen führte zu einer signifikanten Verbesserung der Ergebnisse, wodurch Anlagestrategien entwickelt werden konnten, die bei niedrigerer Standardabweichung eine bessere Performance als der DAX lieferten.
Konnte die Google Trends Analyse die Erwartungen erfüllen?
Die Ergebnisse auf Wochenbasis zeigten, dass eine Outperformance durch Suchbegriffe möglich ist, während die monatliche Analyse aufgrund der Datenlage und fehlender kausaler Übertragungsmechanismen weniger zufriedenstellend war.
- Quote paper
- Manuel Ruckober (Author), 2015, Prognose von Aktienrenditen. Big Data vs. Fundamentaldaten, Munich, GRIN Verlag, https://www.grin.com/document/309875
