Diese Arbeit hat zur Aufgabe, eine univariate Zeitreihe mittels der Anwendung eines LSTM-Netzwerks vorherzusagen. Als Zeitreihe wurden die Schlusskurse der Aktien des Elektromobil-Herstellers Tesla, Inc. ausgewählt. Hierdurch leitet sich die Nebenaufgabe ab, die für Anleger gegebene Unsicherheit der Aktienmärkte zu reduzieren. Dazu erfolgt eine theoretische Fundierung anhand von Primär- und Sekundärliteratur. Die Zielsetzung der Arbeit wird durch das Entwerfen und Implementieren eines dafür entsprechenden Programmcodes realisiert. Die dafür benötigte Umgebung wird im Rahmen der Open-Source-Anwendung Jupyter Notebook geschaffen.
Die durch COVID-19 verursachte Pandemie und dessen fortlaufende Ausbreitung hat immense wirtschaftliche Schäden nach sich gezogen. Dadurch sind die Kurse relevanter Handelsplätze unnachgiebig gefallen und der Einkaufsmanagerindex im April 2020 auf 49,4 gesunken. Das entspricht einem Tiefstand, wie er zuletzt 2013 gemessen wurde. Einen Monat vorher, im März 2020, fiel der Dax von einem historischen Höchststand von circa 13.800 Punkten auf ein seit sieben Jahren nicht vermerktes Tief von 8.441 Punkten.
Trotz der andauernden Pandemie und daraus resultierender Folgen weicht der Aktienmarkt einige Wochen später weltweit von der wirtschaftlichen Realität ab und bewegt sich zunehmend zum vorherigen Zustand hin. Der bisherige Weg der Besserung war von starken Kursschwankungen und Unvorhersehbarkeit gekennzeichnet. Damit ist das aktuelle Handeln am Aktienmarkt vermehrt durch Sicherheitsbestreben seitens der Anleger geprägt.
Das Bestreben, Vorgänge am Aktienmarkt vorherzusagen, ist jedoch seit jeher präsent. Demnach ist eines der Ziele von Analysen an Finanzmärkten das Vorhersagen von zukünftigen Bewegungen von Aktienpreisen und Finanzindizes. Die dafür entwickelten Methoden reichen von umfassenden mathematischen Modellen bis hin zu Scheinwissenschaften. Im Zuge immer potenterer und frei zugänglicher Rechnerleistung gewinnen statistische Analysen mithilfe großer Datensätze an Beliebtheit. Das Vorhersagen von Aktienkursen steht inzwischen seit mehreren Jahren aufgrund der dadurch erhofften Profitabilität im Fokus.
Inhaltsverzeichnis
- 1 Einleitung
- 1.1 Einführung in die Thematik
- 1.2 Zielsetzung, Aufbau und Methodik
- 2 Der Aktienmarkt und die damit verbundene Unsicherheit
- 2.1 Grundlagen des Aktienmarktes
- 2.2 Unsicherheiten des Aktienmarktes
- 3 Vorhersagen von Zeitreihen mit LSTM-Netzwerken
- 3.1 Grundlagen maschinellen Lernens und künstlicher neuronaler Netzwerke
- 3.2 Das Problem von RNNs und die Notwendigkeit des LSTM-Netzwerks
- 3.3 Definition und Aufbau von LSTM-Netzwerken
- 3.4 Anwendung von LSTM für Vorhersagen univariater Zeitserien mit Zeitschritten
- 4 Architektur des Programmcodes
- 4.1 Beschreibung der Python-Programmstruktur
- 4.1.1 Module, Pakete, Programmbibliotheken und integrierte Klassen
- 4.1.2 Funktionen und Methoden
- 4.1.3 Serien und DataFrames
- 4.2 Beschreibung des Programmcode-Lebenszyklus mittels eines Zustandsdiagramms
- 5 Implementierung des Programmcodes
- 5.1 Datenverständnis
- 5.2 Datenaufbereitung
- 5.3 Datenmodellierung
- 5.4 Modellevaluierung
- 5.5 Vorhersage und Ergebnisvisualisierung
- 6 Fazit
Zielsetzung und Themenschwerpunkte
Diese Arbeit zielt darauf ab, die Vorhersage von Aktienkursen mittels eines LSTM-Netzwerks auf Basis einer univariaten Zeitreihe zu demonstrieren. Der Fokus liegt auf der Entwicklung und Implementierung eines Python-Programmcodes, der diese Vorhersage ermöglicht. Die Arbeit untersucht dabei die Anwendbarkeit von LSTM-Netzwerken in der Finanzmarktanalyse und trägt zur Reduzierung der Unsicherheiten bei Anlageentscheidungen bei.
- Anwendung von LSTM-Netzwerken zur Aktienkursvorhersage
- Entwicklung und Implementierung eines Python-Programmcodes
- Datenaufbereitung und -modellierung für LSTM-Netzwerke
- Modellevaluierung und Ergebnisvisualisierung
- Reduktion von Unsicherheiten am Aktienmarkt durch prädiktive Modellierung
Zusammenfassung der Kapitel
1 Einleitung: Dieses Kapitel führt in die Thematik der Aktienkursvorhersage ein und beschreibt den Kontext der Arbeit vor dem Hintergrund der wirtschaftlichen Auswirkungen der COVID-19-Pandemie. Es wird die Notwendigkeit von prädiktiven Modellen zur Reduktion von Unsicherheiten am Aktienmarkt hervorgehoben und die Verwendung von LSTM-Netzwerken als geeignete Methode begründet. Die Zielsetzung der Arbeit, den Aufbau und die Methodik werden klar definiert und der Leser wird durch den Aufbau der Arbeit geführt.
2 Der Aktienmarkt und die damit verbundene Unsicherheit: Dieses Kapitel erläutert die Grundlagen des Aktienmarktes, indem es die Definition und Funktion von Aktien als Finanzierungsinstrument beschreibt. Es wird der Aspekt des Handels mit Aktien als Produkte im Kontext von Angebot und Nachfrage beleuchtet. Darauf aufbauend werden die Unsicherheiten des Aktienmarktes für Anleger näher betrachtet, die durch die Volatilität der Kurse bedingt sind, und der Wunsch nach Prognosemodellen unterstrichen.
3 Vorhersagen von Zeitreihen mit LSTM-Netzwerken: Dieses Kapitel liefert die theoretische Grundlage für die Anwendung von LSTM-Netzwerken. Es beginnt mit einer Einführung in maschinelles Lernen und künstliche neuronale Netzwerke allgemein. Anschließend wird das spezifische Problem von traditionellen rekurrenten neuronalen Netzwerken (RNNs) und die Vorteile von LSTM-Netzwerken im Umgang mit Zeitreihen detailliert dargestellt. Der Aufbau und die Funktionsweise von LSTM-Netzwerken werden erklärt, bevor die Anwendung dieser Netzwerke zur Vorhersage univariater Zeitreihen mit Zeitschritten spezifisch beschrieben wird. Dieses Kapitel bildet die theoretische Basis für die praktische Implementierung im folgenden Kapitel.
4 Architektur des Programmcodes: In diesem Kapitel wird die Architektur des entwickelten Python-Programmcodes detailliert beschrieben. Die Programmstruktur wird in ihre Bestandteile zerlegt: Module, Pakete, Bibliotheken und Klassen. Die verwendeten Funktionen und Methoden werden erläutert und die Verwendung von Serien und DataFrames im Kontext der Datenverarbeitung dargestellt. Ein Zustandsdiagramm veranschaulicht den Programmcode-Lebenszyklus und verdeutlicht den Ablauf der einzelnen Prozessschritte.
5 Implementierung des Programmcodes: Dieses Kapitel beschreibt die praktische Implementierung des Programmcodes. Es gliedert sich in die Phasen Datenverständnis, Datenaufbereitung, Datenmodellierung, Modellevaluierung und schließlich Vorhersage und Ergebnisvisualisierung. Jeder Schritt wird detailliert beschrieben, um die einzelnen Prozessschritte nachvollziehbar darzustellen. Die verwendeten Methoden und Techniken werden erklärt, und der Prozess der Erstellung, des Trainings und der Evaluierung des LSTM-Modells wird ausführlich erläutert.
Schlüsselwörter
Aktienkursvorhersage, LSTM-Netzwerk, univariate Zeitreihe, Python, maschinelles Lernen, künstliche neuronale Netzwerke, Datenanalyse, Finanzmarkt, Modellierung, Prognose, Tesla, Inc.
Häufig gestellte Fragen (FAQ) zur Arbeit: Aktienkursvorhersage mit LSTM-Netzwerken
Was ist das Thema der Arbeit?
Die Arbeit befasst sich mit der Vorhersage von Aktienkursen mithilfe von LSTM-Netzwerken (Long Short-Term Memory Networks). Im Fokus steht die Entwicklung und Implementierung eines Python-Programms zur Durchführung dieser Vorhersagen basierend auf univariaten Zeitreihen. Die Arbeit untersucht die Anwendbarkeit von LSTM-Netzwerken in der Finanzmarktanalyse und zielt darauf ab, die Unsicherheit bei Anlageentscheidungen zu reduzieren.
Welche Methoden werden verwendet?
Die Arbeit verwendet LSTM-Netzwerke, eine spezielle Art von rekurrenten neuronalen Netzwerken (RNNs), die besonders gut für die Verarbeitung von Zeitreihen geeignet sind. Der gesamte Prozess, von der Datenaufbereitung bis zur Ergebnisvisualisierung, wird in Python implementiert. Es werden gängige Bibliotheken und Frameworks für maschinelles Lernen und Datenanalyse verwendet.
Welche Daten werden verwendet?
Die Arbeit basiert auf einer univariaten Zeitreihe. Die genaue Datenquelle wird im Dokument nicht explizit genannt, aber es wird die Anwendung des Modells an einem Beispiel demonstriert. (Hinweis: Im Schlüsselwort-Abschnitt wird "Tesla, Inc." erwähnt, was auf die Verwendung von Tesla-Aktiendaten hindeutet, dies ist jedoch nicht eindeutig bestätigt).
Wie ist die Arbeit strukturiert?
Die Arbeit gliedert sich in sechs Kapitel: Einleitung (Einleitung in die Thematik und Methodik), Grundlagen des Aktienmarktes und dessen Unsicherheiten, theoretische Grundlagen von LSTM-Netzwerken, Architektur des Python-Programms, Implementierung des Programms (inkl. Datenaufbereitung, -modellierung, -evaluierung und Visualisierung) und schließlich ein Fazit.
Welche Ergebnisse werden präsentiert?
Die Arbeit präsentiert ein funktionsfähiges Python-Programm zur Aktienkursvorhersage mittels LSTM-Netzwerken. Die Ergebnisse der Modellevaluierung und die Visualisierung der Vorhersagen werden ebenfalls gezeigt. Das Ziel ist es, die Anwendbarkeit von LSTM-Netzwerken zur Reduktion von Unsicherheiten am Aktienmarkt zu demonstrieren.
Welche Schlüsselkonzepte werden behandelt?
Schlüsselkonzepte umfassen Aktienkursvorhersage, LSTM-Netzwerke, univariate Zeitreihenanalyse, Python-Programmierung, maschinelles Lernen, künstliche neuronale Netzwerke, Datenanalyse und -modellierung, Finanzmarkt und die Reduktion von Unsicherheiten bei Anlageentscheidungen.
Für wen ist diese Arbeit relevant?
Diese Arbeit ist relevant für Studierende, Forscher und Praktiker im Bereich des Finanzmarktes, des maschinellen Lernens und der Datenanalyse. Sie bietet eine praktische Anwendung von LSTM-Netzwerken in einem realitätsnahen Kontext und kann als Grundlage für weiterführende Forschung dienen.
Welche Software/Bibliotheken wurden verwendet?
Die Arbeit verwendet Python als Programmiersprache. Die genauen verwendeten Bibliotheken (z.B. für maschinelles Lernen oder Datenanalyse) werden zwar nicht explizit genannt, aber anhand der beschriebenen Methoden können gängige Bibliotheken wie Pandas, NumPy und TensorFlow/Keras vermutet werden.
- Citar trabajo
- David Lewenko (Autor), 2020, Vorhersage von Aktienkursen mittels eines LSTM-Netzwerks. Entwurf und Implementierung eines Python-Programmcodes, Múnich, GRIN Verlag, https://www.grin.com/document/980345
