Preisprognose mit Deep Learning für Small Caps

Inhaltsverzeichnis

1 Einleitung

1.1 Relevanz

1.2 Zielsetzung

1.3 Vorgehensweise

2 Literaturvergleich

2.1 Überblick über Kapitalmarkttheorien

2.2 Aktienanalyse

2.3 Stand der Forschung

3 Künstliche neuronale Netze

3.1 Aufbau und Bestandteile künstlicher neuronaler Netze

3.1.1 Schichtmodell

3.1.2 Künstliche Neuronen

3.2 Machine Learning und Deep Learning

3.2.1 Grundlagen

3.2.2 Training

3.2.3 Lernregeln

3.2.4 Regularisierung und Testphase

3.3 Arten von KNN

3.3.1 Rekurrente neuronale Netze

3.3.2 Long Short-term Memory Netze

4 Datengrundlage

4.1 Small Caps

4.2 Weitere Zeitreihen und Restriktionen

4.3 Entwicklungsumgebung und Programmiersprache

5 Durchführung der Zeitreihenprognose

5.1 Import und Vorverarbeitung

5.2 Datenanalyse

5.3 Datenpartitionierung

5.4 Datenreorganisation

5.5 LSTM Netz

5.6 Prognosebewertung

5.7 Exportfunktion

6 Ergebnisdarstellung und -würdigung

6.1 Prognoseaufbau

6.2 Versuchsreihe I – Schlusskurse

6.3 Versuchsreihe II – Aktiendaten

6.4 Versuchsreihe III – Kalendarische Daten

6.5 Versuchsreihe IV – gleitende Mittelwerte

6.6 Versuchsreihe V – Indexe

6.7 Versuchsreihe VI – Tagesrenditen

6.8 Versuchsreihe VII – Reorganisation der Zeitreihe

6.9 Versuchsreihe VIII – Vergleich der Indexe

6.10 Zusammenfassung

7 Bewertung und kritische Würdigung

7.1 Prognosen und Datengrundlage

7.2 Hyperparameteroptimierung

7.3 Kennzahlen und Bewertung

8 Fazit

8.1 Zusammenfassung und Würdigung

8.2 Ausblick

Zielsetzung & Themen

Die Arbeit untersucht die Prognosemöglichkeit von Aktienkursen kleinerer Unternehmen (Small Caps) aus der DACH-Region unter Einsatz von Deep Learning Methoden, speziell Long Short-term Memory (LSTM) Netzen. Ziel ist die Prüfung, ob mittels dieser Modelle eine präzise Kursprognose für Investitionsentscheidungen realisiert werden kann.

• Analyse und Anwendung von Deep Learning und LSTM Modellen auf Zeitreihendaten.
• Untersuchung der Prognosegüte für Small Caps in Deutschland, Österreich und der Schweiz.
• Einflussanalyse verschiedener Parameter und Input-Features auf die Prognosegenauigkeit.
• Vergleich der Modellprognosen mit einfachen Benchmarks wie dem Naive Forecast.
• Kritische Würdigung der Anwendbarkeit von KNN in der Kapitalmarktforschung.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Beleuchtet die Relevanz der Kursprognose und definiert die Zielsetzung sowie die Vorgehensweise der Arbeit.

2 Literaturvergleich: Analysiert Kapitalmarkttheorien wie die Markteffizienzhypothese sowie Methoden der Aktienanalyse im Kontext der Forschung.

3 Künstliche neuronale Netze: Erläutert theoretische Grundlagen von KNN, Machine Learning und insbesondere die Funktionsweise von LSTM Netzen.

4 Datengrundlage: Definiert das Small-Cap-Universum und beschreibt die Akquise sowie Aufbereitung historischer Aktiendaten.

5 Durchführung der Zeitreihenprognose: Beschreibt den Prozess vom Datenimport über Vorverarbeitung und Partitionierung bis hin zur Netzkonfiguration.

6 Ergebnisdarstellung und -würdigung: Präsentiert die Ergebnisse der acht durchgeführten Versuchsreihen mit variierenden Parametern und Input-Features.

7 Bewertung und kritische Würdigung: Hinterfragt die Prognoseergebnisse sowie die Methodik der Hyperparameteroptimierung und Kennzahlenbildung.

8 Fazit: Fasst die Erkenntnisse zusammen und wagt einen Ausblick auf technologische Entwicklungen in der Kursvorhersage.

Schlüsselwörter

Small Caps, Deep Learning, LSTM, Kursprognose, künstliche neuronale Netze, Aktienanalyse, Zeitreihenprognose, Markteffizienz, Behavioral Finance, Machine Learning, Datenpartitionierung, Backpropagation, Handelsdaten, DACH-Region, Prognosebewertung.

Häufig gestellte Fragen

Worum geht es in dieser Masterarbeit grundlegend?

Die Arbeit untersucht, ob Aktienkurse von Unternehmen mit geringer Marktkapitalisierung (Small Caps) aus der DACH-Region mittels Deep-Learning-Algorithmen präzise vorhergesagt werden können.

Welche zentralen Themenfelder behandelt die Arbeit?

Die Themenfelder umfassen theoretische Ansätze zur Kapitalmarkteffizienz, die technische Implementierung künstlicher neuronaler Netze, insbesondere vom Typ LSTM, sowie die empirische Analyse von Aktienkurszeitreihen.

Was ist die zentrale Forschungsfrage?

Das primäre Ziel ist die Überprüfung, ob künstliche neuronale Netze in der Lage sind, Kursentwicklungen von Small Caps mit einer Genauigkeit abzubilden, die für fundierte Investitionsentscheidungen genutzt werden kann.

Welche wissenschaftliche Methode kommt zum Einsatz?

Es wird eine quantitative Analyse durchgeführt, bei der verschiedene Konfigurationen von Long Short-term Memory (LSTM) Netzen in acht unterschiedlichen Versuchsreihen auf historische Finanzmarktdaten angewendet werden.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil gliedert sich in theoretische Grundlagen zu neuronalen Netzen, die Beschreibung der Datenbasis und Methodik sowie die detaillierte Darstellung und kritische Evaluation der acht Versuchsreihen basierend auf ihren Prognoseergebnissen.

Welche Schlüsselbegriffe charakterisieren die Arbeit?

Die Arbeit ist insbesondere durch Begriffe wie Deep Learning, LSTM, Small Caps, Zeitreihenprognose, Markteffizienz und die quantitative Performancemessung mittels MAPE (Mean Absolute Percentage Error) geprägt.

Warum wurden gerade Small Caps als Untersuchungsobjekt gewählt?

Small Caps wurden gewählt, da ihre Kurse sich oft seltener oder weniger volatil ändern als die von Large Caps, was die theoretische Annahme einer möglicherweise guten Prognostizierbarkeit auf Basis von Vergangenheitsdaten stützt.

Welche Rolle spielen der Naive Forecast und der SMA in der Bewertung?

Diese dienen als triviale Vergleichsmaßstäbe (Benchmarks), um die Prognosegüte der komplexen LSTM-Modelle einzuordnen; die Arbeit zeigt, dass die LSTM-Modelle diese einfachen Methoden in der Regel nicht schlagen können.