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.
Table of Contents
- Inhaltsverzeichnis
- Tabellenverzeichnis
- Abbildungsverzeichnis
- Abkürzungsverzeichnis
- 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
- Anhang
- Literaturverzeichnis
- Die Existenz und Ursachen von Aktienmarktblasen
- Verschiedene Ansätze zur Aktienrenditeprognose
- Prognosefähigkeit des ifo Geschäftsklimaindex und von Google Trends
- Strategieimplementierung und Performancebewertung
- Zusammenführung von Big Data und Fundamentaldaten
- Kapitel 2 beleuchtet die Existenz von Aktienmarktblasen anhand der neoklassischen Kapitalmarkttheorie und der Behavioral Finance Theorie. Es werden verschiedene Arten von Blasen definiert und die historische Forschung zu deren Entstehung und Ablauf untersucht.
- Kapitel 3 befasst sich mit der Prognostizierbarkeit von Aktienrenditen. Es werden verschiedene Ansätze wie die Verwendung von Bewertungskennzahlen, Investorenstimmung und Big Data vorgestellt und deren empirische Ergebnisse sowie Kritikpunkte diskutiert.
- Kapitel 4 untersucht die Prognosefähigkeit des ifo Geschäftsklimaindex und von Google Trends für den DAX. Es werden sowohl In-Sample- als auch Out-of-Sample-Tests durchgeführt und die Ergebnisse in Form von möglichen Handelsstrategien implementiert.
- Kapitel 5 fasst die Ergebnisse der Arbeit zusammen und gibt einen Ausblick auf zukünftige Forschungsmöglichkeiten im Bereich der Aktienrenditeprognose.
Objectives and Key Themes
Die Masterarbeit untersucht die Prognostizierbarkeit von Aktienrenditen mit Hilfe von Big Data und Fundamentaldaten. Ziel ist es, zu erforschen, ob anhand dieser Daten eine zuverlässige Prognose für den DAX Performance Index getroffen werden kann und somit profitable Handelsstrategien implementiert werden können. Ein besonderer Fokus liegt dabei auf der Prognosefähigkeit während Konjunkturkrisen.
Chapter Summaries
Keywords
Die Arbeit beschäftigt sich mit den Themen Aktienrenditen, Prognose, Big Data, Google Trends, Fundamentaldaten, ifo Geschäftsklimaindex, Leitzinsen, Aktienmarktblasen, Kapitalmarkteffizienz, Behavioral Finance und Handelsstrategien. Die Untersuchung basiert auf empirischen Daten und nutzt statistische Verfahren wie T-Tests und lineare Regressionen. Die Arbeit leistet einen Beitrag zum Verständnis der Aktienmarktprognose und der Anwendung neuer Datenquellen für Investitionsentscheidungen.
- Citation du texte
- Manuel Ruckober (Auteur), 2015, Prognose von Aktienrenditen. Big Data vs. Fundamentaldaten, Munich, GRIN Verlag, https://www.grin.com/document/309875
