Diese Arbeit untersucht verschiedene Algorithmen, welche für Börsenprognosen verwendet werden. Sie stützt sich dabei auf die Untersuchung und Auswertung verschiedener Studien aus frei verfügbaren Datenbanken und gibt einen Hinweis auf effektive Modelle zur Erkennung von Bewegungen an der Börse.
Die Arbeit zeigt verschiedene Algorithmen für Maschinelles Lernen (ML) auf, mit deren Hilfe Börsenprognosen angestellt und Trends erkannt werden können. Zudem soll überprüft werden, ob ML dazu in der Lage ist, die Genauigkeit von Börsenprognosen zu erhöhen und welchen Einfluss es auf das Handelsvolumen von Wertpapieren und die Aktienpreisentwicklung von börsennotierten Unternehmen hat. Zunächst erfolgt in den theoretischen Grundlagen dieser Arbeit eine konkrete Definition der technischen Analyse und der Fundamentalanalyse als Basis der Börsenprognose.
Anschließend wird erläutert, was unter ML zu verstehen ist und welche technischen Voraussetzungen dafür vorhanden sein müssen. Im nächsten Kapitel erfolgt sodann eine systematische Untersuchung bereits verfügbarer Studien, die sich intensiv mit den Auswirkungen von ML auf Börsenprognosen beschäftigen und verschiedene Lernalgorithmen für ML zur Bewältigung von Prognoseproblemen aufzeigen. Dabei werden Studien der einzelnen aufgeführten Lernalgorithmen zum Zweck der Übersichtlichkeit in Textblöcken dargestellt. Eine strukturierte Darstellung der themenbezogenen Studien befindet sich im Anhang dieser Arbeit. Sie fasst neben der experimentellen Vorgehensweise der Autoren ihre untersuchten Lernalgorithmen und technischen Lösungen für die Prognose von Börsentrends zusammen. Das abschließende Fazit mit Ausblick fasst die wichtigsten Inhalte dieser Arbeit noch einmal zusammen und geht auf einen Forschungsaspekt ein, der in den vor-liegenden Studien nicht oder nur unzureichend behandelt wird.
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Aufbau der Arbeit
2 Theoretische Grundlagen
2.1. Börsenprognose
2.1.1 Technische Analyse
2.1.2 Fundamentalanalyse
2.2 Maschinelles Lernen
2.2.1 Begriffsdefinition
2.2.2 Voraussetzungen für maschinelles Lernen
3 Literaturüberblick
3.1 Methodik
3.2 Studien
3.3 Ergebnisse
3.3.1 Lernalgorithmen
3.3.2 Charakteristika
3.4 Diskussion
4 Fazit und Literaturlücke
A Auswertung des Literaturüberblicks
Zielsetzung & Themen
Diese Arbeit zielt darauf ab, den aktuellen wissenschaftlichen Forschungsstand zur Anwendung von Algorithmen des maschinellen Lernens (ML) für Börsenprognosen aufzuarbeiten und deren Eignung zur Steigerung der Prognosegenauigkeit zu untersuchen.
- Grundlagen der Börsenprognose (Technische Analyse vs. Fundamentalanalyse)
- Funktionsweise und Voraussetzungen von maschinellem Lernen
- Systematische Analyse verschiedener ML-Algorithmen (Künstliche neuronale Netze, k-Nächste-Nachbar, Entscheidungsbäume, Random Forest, Support Vector Machine)
- Vergleich der Prognoseperformance und Genauigkeit der behandelten Methoden
Auszug aus dem Buch
Künstliche neuronale Netze
Im Bereich des ML rücken künstliche neuronale Netze immer mehr in den Vordergrund der Forschung. Sie werden im Finanzwesen bereits vermehrt eingesetzt. Dabei handelt es sich um eine Ansammlung von einzelnen Einheiten zur Informationsverarbeitung, die schichtweise in einer Netzarchitektur angeordnet sind. Die Knotenpunkte stellen dabei Neuronen dar, die in Eingabeknoten, innere / versteckte Knoten und Ausgabeknoten unterteilt werden und durch mehrere Schichten miteinander vernetzt sind. Beginnend mit der Eingabeschicht fließen Informationen über eine oder mehrere versteckte Zwischenschichten bis hin zur Ausgabeschicht, in der die verarbeiteten Daten klassifiziert werden. Da das künstliche neuronale Netz zu Beginn keinen Informationsgehalt besitzt, werden die Gewichte der neuronalen Verbindungen durch Trainingsdaten dahingehend angepasst, dass die Verlustfunktion minimiert wird.
Zusammenfassung der Kapitel
1 Einleitung: Vorstellung der Problemstellung, in der die Grenzen klassischer Börsenprognosen aufgezeigt und die Relevanz des maschinellen Lernens zur Mustererkennung motiviert wird.
2 Theoretische Grundlagen: Erläuterung der klassischen Analyseansätze (Technische und Fundamentalanalyse) sowie Definition der Kernkonzepte des maschinellen Lernens und deren Anforderungen.
3 Literaturüberblick: Systematische Untersuchung relevanter Studien, die den Einsatz spezifischer Lernalgorithmen bei der Vorhersage von Börsentrends analysieren, inklusive einer methodischen Differenzierung der Ansätze.
4 Fazit und Literaturlücke: Synthese der Ergebnisse mit dem Hinweis auf die Überlegenheit von Ensemble-Methoden und die Identifikation von Forschungslücken bezüglich Ausnahmesituationen wie Pandemien.
A Auswertung des Literaturüberblicks: Detaillierte tabellarische Zusammenfassung der in der Arbeit analysierten Studien hinsichtlich Untersuchungsgegenstand, Vorgehensweise, Datenbasis und Ergebnis.
Schlüsselwörter
Maschinelles Lernen, Börsenprognose, Künstliche neuronale Netze, Random Forest, Support Vector Machine, Entscheidungsbäume, Technische Analyse, Fundamentalanalyse, Prognosegenauigkeit, Predictive Analytics, Algorithmen, Finanzmarkt, Datenanalyse.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie Methoden des maschinellen Lernens eingesetzt werden können, um Trends an Börsen vorherzusagen und ob diese Verfahren klassische Analysemethoden in ihrer Genauigkeit übertreffen.
Welche zentralen Themenfelder werden behandelt?
Die zentralen Themen umfassen die Finanzmarktanalyse, die Funktionsweise verschiedener ML-Algorithmen und die empirische Bewertung von deren Prognosekraft anhand existierender Studien.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, einen systematischen Literaturüberblick über das Zusammenspiel von maschinellem Lernen und Börsenprognosen zu geben, um den aktuellen Stand der Forschung zu validieren.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine systematische Literaturanalyse (Literaturüberblick) durchgeführt, bei der verschiedene Datenbanken herangezogen und Studien nach dem Schneeballprinzip ausgewertet werden.
Was wird im Hauptteil der Arbeit behandelt?
Im Hauptteil werden theoretische Grundlagen (Börsenprognose, ML) dargelegt und anschließend eine detaillierte Analyse spezifischer Algorithmen wie neuronale Netze oder Random Forests vorgenommen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die zentralen Begriffe sind maschinelles Lernen, Börsenprognose, Algorithmen, Prognosegenauigkeit und Klassifikationsverfahren.
Warum schneiden Ensemble-Methoden oft besser ab?
Ensemble-Methoden wie der Random Forest kombinieren die Ergebnisse mehrerer Entscheidungsbäume, was dazu beiträgt, Klassifikationsfehler zu minimieren und Overfitting zu verhindern.
Inwiefern sind ML-Modelle bei Ausnahmesituationen begrenzt?
Da ML-Modelle primär auf historischen Trainingsdaten basieren, sind sie oft nicht dazu in der Lage, unvorhergesehene Ausnahmesituationen wie die COVID-19-Pandemie adäquat zu interpretieren.
Welche Rolle spielen Stützvektoren bei der Support Vector Machine?
Stützvektoren definieren die optimalen Trennlinien zwischen verschiedenen Klassen, um den Abstand zwischen den Datenpunkten zu maximieren und so Fehlklassifikationen zu reduzieren.
- Citar trabajo
- Philipp Stücker (Autor), 2020, Auswirkungen des maschinellen Lernens auf die Börsenprognose, Múnich, GRIN Verlag, https://www.grin.com/document/933689
