Die Prognosefähigkeit von Machine Learning-Verfahren und Managementschätzungen im Rahmen von finanziellen Unternehmenskennzahlen. Ein Vergleich

Inhaltsverzeichnis

1 Einleitung

2 Theoretischer Hintergrund

2.1 Finanzielle Kennzahlen und Kennzahlprognose

2.2 Literaturüberblick

2.3 Ausgewählte Machine Learning-Verfahren

2.3.1 Einführung Machine Learning

2.3.2 Lineare Regression

2.3.3 Random Forest

2.3.4 Neuronale Netze

3 Daten

3.1 Datenexploration

3.1.1 Managementschätzung

3.1.2 Kennzahlprognose mit Machine Learning

3.2 Datenaufbereitung

3.2.1 Managementschätzung

3.2.2 Kennzahlprognose mit Machine Learning

4 Methodisches Vorgehen

4.1 Modellvalidierung

4.2 Modellerstellung

4.2.1 Managementschätzung

4.2.2 Kennzahlprognose mit Machine Learning

4.2.3 Analyse des Schätzfehlers

5 Modellergebnisse und Interpretation

5.1 Prognosefähigkeit der Managementschätzung

5.2 Prognosefähigkeit der Machine Learning-Modelle

5.2.1 Lineare Regression

5.2.2 Lineare Regression mit Regularisierung

5.2.3 Random Forest

5.2.4 Neuronale Netze

5.3 Vergleich der Prognosefähigkeit

5.4 Analyse des Schätzfehlers

6 Schlussbetrachtung

6.1 Fazit

6.2 Kritische Würdigung und Ausblick

Zielsetzung & Themen

Die Arbeit untersucht die Prognosefähigkeit von Machine Learning-Verfahren im Vergleich zu manuellen Managementschätzungen bei zentralen finanziellen Unternehmenskennzahlen. Dabei wird analysiert, ob datengetriebene Ansätze eine höhere Vorhersagegenauigkeit ermöglichen und welche Faktoren für die Schätzfehler des Managements verantwortlich sind.

• Vergleich von ML-Modellen (Random Forest, Neuronale Netze, Regression) mit Managementschätzungen
• Analyse der Prognosequalität für Kennzahlen wie Umsatz, EPS, Dividenden und Investitionsausgaben
• Einsatz von Feature Importance zur Identifikation relevanter Einflussfaktoren
• Untersuchung von Schätzfehlern durch das Management (Lost Information vs. Bad Model)

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Die Einleitung stellt die Relevanz von Machine Learning für Finanzprognosen dar und definiert die Zielsetzung, die Prognosefähigkeit von ML-Modellen mit denen des Managements zu vergleichen.

2 Theoretischer Hintergrund: Dieses Kapitel erläutert die Grundlagen finanzieller Kennzahlen sowie die eingesetzten Machine Learning-Verfahren wie Lineare Regression, Random Forest und Neuronale Netze.

3 Daten: Hier wird die Datenbasis (IBES und Compustat) beschrieben sowie die notwendige Datenexploration und -aufbereitung für die Modellierung erläutert.

4 Methodisches Vorgehen: Das Kapitel beschreibt die Strategie der Modellvalidierung durch rollierende Zeitfenster sowie die technische Umsetzung der verschiedenen ML-Algorithmen.

5 Modellergebnisse und Interpretation: In diesem Hauptteil werden die Fehlermaße (MAE, RMSE) der verschiedenen Modelle ausgewertet und die Prognosegüte der ML-Modelle mit der Managementschätzung verglichen.

6 Schlussbetrachtung: Das letzte Kapitel fasst die zentralen Ergebnisse zusammen und diskutiert kritisch die Anwendbarkeit von ML-Verfahren zur Verbesserung der Unternehmensberichterstattung.

Schlüsselwörter

Machine Learning, Finanzkennzahlen, Managementschätzung, Prognosefähigkeit, Financial Accounting, Random Forest, Neuronale Netze, Lineare Regression, Umsatzprognose, EPS, Feature Importance, Datenaufbereitung, rollierende Validierung, Schätzfehler, Bilanzanalyse

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Masterarbeit vergleicht, wie präzise Machine Learning-Modelle finanzielle Unternehmenskennzahlen prognostizieren können im Vergleich zu den offiziellen Schätzungen des Managements.

Welche zentralen Themenfelder deckt die Arbeit ab?

Die Schwerpunkte liegen auf der Schnittstelle von Financial Accounting, moderner Datenanalyse (Machine Learning) und der empirischen Untersuchung von Prognosequalität.

Was ist die primäre Forschungsfrage?

Die Arbeit fragt, ob ML-Verfahren die Prognosefähigkeit des Managements übertreffen können und welche Gründe für eventuelle Schätzfehler des Managements vorliegen.

Welche wissenschaftlichen Methoden werden verwendet?

Es kommen verschiedene ML-Modelle wie Lineare Regression (mit und ohne Regularisierung), Random Forest und Neuronale Netze zum Einsatz, deren Güte anhand von MAE und RMSE gemessen wird.

Was behandelt der Hauptteil der Arbeit?

Der Hauptteil analysiert die Datenaufbereitung, die methodische Modellbildung sowie die detaillierte Auswertung der Modellergebnisse und eine Ursachenanalyse für Schätzfehler mittels Feature Importance.

Welche Schlüsselwörter charakterisieren die Untersuchung?

Wichtige Begriffe sind Machine Learning, Finanzkennzahlen, Prognosegüte, Managementschätzung, Feature Importance und Bilanzanalyse.

Warum schneidet das Management bei der Umsatzprognose manchmal besser ab als ML-Modelle?

Die Arbeit zeigt, dass Manager über Insiderwissen und makroökonomische Informationen verfügen, die in rein historischen Finanzdaten nicht enthalten sind.

Welchen Mehrwert bietet die Arbeit für Wirtschaftsprüfer?

Die Analyse zeigt, dass ML-Modelle als objektive Kontrollinstanz dienen können, um Verzerrungen in den Schätzungen des Managements in Geschäftsberichten frühzeitig zu identifizieren.