Maschinelles Lernen in der Finanzdienstleistungsindustrie am Beispiel der Prädiktion von Aktienkursbewegungen

Research Paper (undergraduate) , 2020 , 40 Pages , Grade: 1,3

Business economics - Investment and Finance

Diese Arbeit analysiert die Prädiktion von Aktienkursbewegungen im Hinblick auf den Einsatz der ML-Verfahren Support Vector Machines (SVM) und Künstlicher Neuronaler Netze (KNN). Dabei wird die Prädiktion der Bewegungsrichtung von Aktienkursen beleuchtet.

Zunächst wird der Begriff und das Wesen des Maschinellen Lernens eindeutig definiert und in die künstliche Intelligenz eingeordnet. Dabei wird der aktuelle Status quo von Anwendungen des ML in der Finanzdienstleistungsindustrie vorgestellt. Nach der Darstellung des Analysegegenstandes und der damit verbundenen Einordnung in den aktuellen Kenntnisstand zur Prädiktion von Aktienkursbewegungen erfolgt eine Analyse der Ergebnisse von SVM und KNN basierten Prädiktionsmodellen zu Aktienkursbewegungen. Dies erfolgt bei den SVMs anhand von sechs Fachbeiträgen, welche u.a. im Hinblick auf Performancemaße, Datenbasis und Datenselektionskriterien vorgestellt werden. Das selbige erfolgt bei den KNN an hand von sieben Fachbeiträgen, wovon vier auch bei der Analyse im Hinblick auf SVM verwendet werden, sodass insgesamt neun Fachbeiträge betrachtet werden.

Abschließend werden die Möglichkeiten, Grenzen, sowie Weiterentwicklungspotenziale in Bezug auf die analysierten Beiträge vorgestellt. Insgesamt gilt es zu beantworten, ob und wie präzise die Bewegungsrichtungen von Aktienkursen mithilfe von ML-basierten Verfahren, wie SVM und KNN, prädiziert werden können.

• College: Steinbeis University Berlin (zeb.business school)
• Grade: 1,3
• Author: Marc Lengwenus (Author)
• Publication Year: 2020
• Pages: 40
• Catalog Number: V1382101
• ISBN (PDF): 9783346929006
• ISBN (Book): 9783346929013
• Language: German
• Tags: Machine Learning, Maschinelles Lernen, Finanzdienstleistungsindustrie, Aktie, Aktienkurs, Vorhersage, Support Vector Machines, Künstliche Neuronale Netze