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
- Einleitung
- Problemstellung
- Aufbau der Arbeit
- Theoretische Grundlagen
- Börsenprognose
- Technische Analyse
- Fundamentalanalyse
- Maschinelles Lernen
- Begriffsdefinition
- Voraussetzungen für maschinelles Lernen
- Literaturüberblick
- Methodik
- Studien
- Ergebnisse
- Lernalgorithmen
- Charakteristika
- Diskussion
- Fazit und Literaturlücke
Zielsetzung und Themenschwerpunkte
Die vorliegende Bachelorarbeit befasst sich mit der Frage, inwieweit maschinelles Lernen (ML) die Genauigkeit von Börsenprognosen verbessern kann. Im Zentrum steht dabei die Analyse der Anwendung von ML-Algorithmen auf die Prognose von Aktienkursentwicklungen, wobei der Einfluss auf das Handelsvolumen von Wertpapieren und die Aktienpreisentwicklung von Unternehmen im Fokus steht.
- Analyse der Anwendung von ML-Algorithmen auf die Börsenprognose
- Bewertung der Auswirkungen von ML auf die Genauigkeit von Börsenprognosen
- Untersuchung des Einflusses von ML auf das Handelsvolumen von Wertpapieren
- Beurteilung des Einflusses von ML auf die Aktienpreisentwicklung von börsennotierten Unternehmen
- Identifizierung von Forschungslücken im Bereich des maschinellen Lernens in der Börsenprognose
Zusammenfassung der Kapitel
- Einleitung: Diese Kapitel stellt die Problemstellung der Arbeit vor und erläutert die Bedeutung von Börsenprognosen im Kontext der Effizienzmarkthypothese und der Random-Walk-Theorie. Es wird auf die Rolle des maschinellen Lernens (ML) bei der Verarbeitung großer Datenmengen und der Optimierung von Prognosemodellen eingegangen.
- Theoretische Grundlagen: Dieses Kapitel definiert die Begriffe Börsenprognose und maschinelles Lernen. Es beschreibt die beiden wichtigsten Ansätze der Börsenprognose, die technische und die Fundamentalanalyse, und erklärt die grundlegenden Prinzipien des maschinellen Lernens.
- Literaturüberblick: Dieses Kapitel fasst die wichtigsten Studien und Forschungsarbeiten zum Thema maschinelles Lernen in der Börsenprognose zusammen. Es werden die in den Studien verwendeten Methoden und Algorithmen vorgestellt sowie die Ergebnisse diskutiert.
Schlüsselwörter
Maschinelles Lernen, Börsenprognose, Aktienkursentwicklung, Handelsvolumen, Aktienpreisentwicklung, Effizienzmarkthypothese, Random-Walk-Theorie, Technische Analyse, Fundamentalanalyse, Lernalgorithmen, Künstliche Intelligenz.
- Quote paper
- Philipp Stücker (Author), 2020, Auswirkungen des maschinellen Lernens auf die Börsenprognose, Munich, GRIN Verlag, https://www.grin.com/document/933689
