Diese Arbeit erklärt die wichtigsten Entwicklungsschritte von einfachen neuronalen Netzen bis hin zu den LSTM Netzwerken und arbeitet Vor- und Nachteile heraus. Im zweiten Teil der Arbeit werden die Ergebnisse des Papiers von Fischer/Krauss (2017) kritisch gewürdigt. Die Resultate in dieser Untersuchung weichen zum Teil deutlich von denen des Fischer/Krauss Papieres ab.
In dieser Arbeit werden selektiv die Zeiträume der Jahre 1994, 2001, 2008 und 2015 untersucht. Lediglich in den untersuchten Jahren 1994 und 2001 konnte gegenüber dem S&P500 eine signifikante Outperformance durch das LSTM-Networks, mit durchschnittlich täglichen Renditen von 0,022 respektive 0,0074 festgestellt werden. Eine allgemeingültige Prognosefähigkeit des Modells oder eine Überlegenheit zu etwaigen BenchmarkModellen lässt sicher allerdings nicht darstellen. Das gewählte Benchmark-Modell, die logistische Regression, liefert in 1994 ähnlich gute Ergebnisse wie das LSTM. Da die Daten und Methoden denen von Fischer/Krauss (2017) folgen, gilt es eine Erklärung der differenten Resultate zu finden.
Machine Learning ist seit den 90er Jahren ein verbreitetes Thema der Finanzwissenschaft und Informatik. Mit der neuen Big Data Welle kommt das mittlerweile in die Jahre gekommene Wissenschaftsgebiet wieder in den Fokus der Wissenschaft. Die Gründe liegen auf der Hand. Gerade die besseren Rechenkapazitäten und größeren Mengen an öffentlich zugänglichen Kapitalmarktdaten gestatten es, Machine Learning erneut auf den Prüfstand zu stellen. Dies führte zu einer erneuten Prominenz des Forschungsgebietes, des Deep Learning.
Das Papier von den Autoren Fischer/Krauss (2017) zum Thema Aktienmarktprognose mittels neuronaler Netze sorgte aufgrund ihrer Ergebnisse für Aufsehen. Die Autoren nutzen in ihrer Arbeit zur Prognose von Aktienmarktrenditen insbesondere Long Short-Term Memory Netzwerke (LSTM-Networks). Diese zählen zu den fortgeschrittensten Methoden in Bereich des Machine Learning. In dem Papier schaffen sie es ausschließlich mittels vergangener Renditen, den Benchmark-Index S&P500 mehr als deutlich zu schlagen. Diese Ergebnisse stehen im Konflikt mit der von Eugene Fama entwickelten Effizienz-Markt-Hypothese, als das sich aus vergangen Kursdaten keine nützlichen Informationen für die Zukunft ableiten lassen.
Inhaltsverzeichnis
- Einleitung
- Neuronale Netze im Allgemeinen
- Units
- Aktivierung von Units
- Training des neuronalen Netzwerks
- Rekurrente Netzwerke
- Backpropagation through time
- Long Short-Term Memory Netzwerke (LSTM)
- Adam und RMSProp
- Analyse des zu replizierenden Papiers
- Aufbau der empirischen Arbeit
- Backtesting
- Methoden
- Empirische Auswertung
- Performance
- Diskussion
- Zusammenfassung und Ausblick
- Anwendung von LSTM-Networks zur Aktienmarktprognose
- Replikation der Ergebnisse von Fischer/Krauss (2017)
- Bewertung der Performance von LSTM-Networks im Vergleich zu anderen Modellen
- Diskussion der Relevanz der Ergebnisse im Hinblick auf die Effizienz-Markt-Hypothese
- Analyse der Unterschiede zwischen den Ergebnissen dieser Arbeit und denen von Fischer/Krauss (2017)
- Einleitung: Die Einleitung stellt die Relevanz von Machine Learning in der Finanzwissenschaft und Informatik dar und beleuchtet die Bedeutung des Themas „Deep Learning“ im Kontext der Aktienmarktprognose. Sie führt das Papier von Fischer/Krauss (2017) ein, das sich mit der Prognose von Aktienmarktrenditen mittels LSTM-Networks befasst, und erläutert die Zielsetzung und den Aufbau dieser Arbeit.
- Neuronale Netze im Allgemeinen: Dieses Kapitel beschreibt die Grundlagen neuronaler Netze, einschließlich der Funktionsweise von Units, der Aktivierung von Units und des Trainings neuronaler Netzwerke.
- Rekurrente Netzwerke: Dieses Kapitel stellt rekurrente Netzwerke vor, insbesondere die Methode der Backpropagation through time und die Funktionsweise von Long Short-Term Memory Netzwerken (LSTM).
- Analyse des zu replizierenden Papiers: Dieses Kapitel beschreibt die empirische Arbeit von Fischer/Krauss (2017), einschließlich der Methodik, der Datenbasis und der Ergebnisse.
- Empirische Auswertung: Dieses Kapitel präsentiert die Ergebnisse der eigenen empirischen Analyse und vergleicht diese mit den Ergebnissen von Fischer/Krauss (2017). Die Analyse umfasst die Performance des LSTM-Networks und eine Gegenüberstellung der Ergebnisse mit denen der logistischen Regression.
Zielsetzung und Themenschwerpunkte
Die Arbeit befasst sich mit der Anwendung von Long Short-Term Memory Networks (LSTM-Networks) zur Prognose der Aktienmarktrendite und untersucht, inwieweit sich die Ergebnisse von Fischer/Krauss (2017) replizieren und nachvollziehen lassen. Sie zielt darauf ab, die Funktionsweise von LSTM-Networks im Kontext der Aktienmarktprognose zu erläutern und die Ergebnisse der empirischen Analyse zu präsentieren und zu bewerten. Dabei wird auch auf die Relevanz der Ergebnisse im Hinblick auf die Effizienz-Markt-Hypothese eingegangen.
Zusammenfassung der Kapitel
Schlüsselwörter
Die Arbeit beschäftigt sich mit der Anwendung von Machine Learning, insbesondere Long Short-Term Memory Networks (LSTM), im Bereich der Aktienmarktprognose. Schwerpunkte sind die Replikation der Ergebnisse von Fischer/Krauss (2017), die Performance-Bewertung des LSTM-Modells, der Vergleich mit anderen Modellen wie der logistischen Regression und die Diskussion der Relevanz der Ergebnisse im Kontext der Effizienz-Markt-Hypothese.
- Arbeit zitieren
- Florian Meyer (Autor:in), 2020, Long Short-Term Memory Networks bei der Renditeprognose. Inwiefern lassen sich die Ergebnisse von Fischer/Krauss (2017) replizieren und nachvollziehen?, München, GRIN Verlag, https://www.grin.com/document/593789
