Neuronale Netze in der Finanzanalyse. Eine empirische Untersuchung anhand von Finanznachrichten

Inhaltsverzeichnis

1. Einleitung

2. Von der Markteffizienztheorie zur Behavioral Finance

2.1 Markteffizienzhypothese

2.1.1 Theorie der Markteffizienzhypothese

2.1.2 Implikationen der Markteffizienzhypothese für Investitionsentscheidungen

2.1.3 Kritische Betrachtung der Markteffizienzhypothese

2.2 Behavioral Finance als deutlicher Widerspruch

2.3 Zusammenfassung

3. Sentimentanalyse von Finanznewsartikeln

3.1 Bedeutung der Sentimentanalyse in der Finanzwissenschaft

3.2 Analyse von Finanznachrichten

3.3 Klassische regelbasierte Verfahren

3.3.1 Natural Language Processing

3.3.2 Regelbasierten Verfahren zur Sentimentanalyse

3.3.3 Auswertung der Ergebnisse und kritische Betrachtung

3.3.4 Vom regelbasierten Ansatz zum Machine Learning

4. Machine Learning und Deep Learning

4.1 Machine Learning

4.1.1 Support-Vector-Machine

4.1.2 Die Ermittlung der optimalen Grenzlinie

4.1.3 Hyperparameter C und Pufferzone

4.1.4 Vorteile und Grenzen des Ansatzes

4.2 Deep Learning

4.2.1 Neuronale Netze

4.2.2 Abgrenzung zum maschinellen Lernen und Kritik

4.2.3 Implikationen für die Finanzanalyse

5. Empirische Untersuchungen

5.1 Ziel dieser Untersuchungen

5.2 Sentimentanalyse von Finanzartikeln mit der SVM-Methode

5.2.1 Vorüberlegungen

5.2.2 Modelltraining im überwachten Lernen

5.2.3 Zielformulierung

5.2.4 Datenvorbereitung und -bearbeitung

5.2.5 Erklärung des Codes zur Sentimentanalyse mithilfe des SVM-Ansatzes

5.2.6 Darstellung und Diskussion der Ergebnisse

5.3 Sentimentanalyse von Finanzartikeln mithilfe Neuronaler Netze

5.3.1 Zielformulierung

5.3.2 Wahl des Neuronalen Netzes (Vorüberlegungen)

5.3.3 Hergang der Ausgangsuntersuchung

5.3.4 Darstellung und Diskussion der Ergebnisse

5.4 Anschlussuntersuchung Sentimentanalyse und Korrelation

5.4.1 Hergang der Anschlussuntersuchung

5.4.2 Darstellung und Diskussion der Ergebnisse

5.5 Kritische Betrachtung

6. Fazit und Zukunftsausblick

Zielsetzung & Themen der Arbeit

Die Arbeit untersucht den Einsatz von Künstlicher Intelligenz, insbesondere neuronaler Netze, zur Sentimentanalyse von Finanznachrichten. Ziel ist die Bewertung der Leistungsfähigkeit dieser modernen Ansätze im Vergleich zu klassischen Methoden sowie deren Integration in die moderne Finanzmarkttheorie.

• Markteffizienzhypothese und Behavioral Finance
• Grundlagen und Leistungsfähigkeit der Sentimentanalyse
• Vergleichende Analyse von Machine Learning (SVM) und Deep Learning (Transformer/ChatGPT)
• Empirische Untersuchung der Vorhersagekraft von Finanzartikeln für Aktienrenditen
• Kritische Diskussion der Grenzen von KI-Modellen als Prognose-Instrument

Auszug aus dem Buch

Zusammenfassung der Kapitel

1. Einleitung: Diese Einleitung führt in die Relevanz Künstlicher Intelligenz in der modernen Finanzanalyse ein und umreißt die Untersuchungsziele bezüglich der Leistungsfähigkeit neuronaler Netze.

2. Von der Markteffizienztheorie zur Behavioral Finance: Das Kapitel beleuchtet den theoretischen Wandel von neoklassischen Modellen hin zu verhaltensökonomischen Ansätzen, die Marktanomalien berücksichtigen.

3. Sentimentanalyse von Finanznewsartikeln: Hier werden methodische Grundlagen der Stimmungsanalyse im Finanzkontext erörtert, mit Fokus auf regelbasierte Ansätze und deren Limitationen.

4. Machine Learning und Deep Learning: Das Kapitel bietet eine theoretische Einführung in die Funktionsweise und Architekturen von Machine Learning Modellen wie SVM sowie Deep Learning Ansätzen und deren Nutzen für komplexe Textanalysen.

5. Empirische Untersuchungen: Dieser Kern der Arbeit vergleicht experimentell die Performance von SVM-Modellen und dem Transformer-Modell ChatGPT bei der Klassifizierung von Finanznachrichten und deren Korrelation mit Marktdaten.

6. Fazit und Zukunftsausblick: Die Arbeit schließt mit einer Bewertung der Ergebnisse ab und diskutiert kritisch die Zukunft der Sentimentanalyse mittels KI unter Berücksichtigung von Datenqualität und Bias.

Schlüsselwörter

Sentimentanalyse, Finanzmarkttheorie, Behavioral Finance, Machine Learning, Deep Learning, Support Vector Machine, Neuronale Netze, ChatGPT, Informationseffizienz, Finanzmarktanalyse, Marktanomalien, Datenvorbereitung, Klassifizierung, Aktienkursprognose, Künstliche Intelligenz

Häufig gestellte Fragen

Was ist das übergeordnete Ziel dieser Arbeit?

Das Hauptziel besteht in der Untersuchung und Bewertung der Leistungsfähigkeit von Algorithmen des maschinellen Lernens und der künstlichen Intelligenz bei der Sentimentanalyse von Finanzartikeln, um deren potenzielle Anwendung als Prognose-Instrument zu prüfen.

Welche wissenschaftliche Methode kommt zum Einsatz?

Die Arbeit kombiniert eine theoretische Literaturrecherche mit einem empirischen, vergleichenden Versuchsdesign. Hierbei werden regelbasierte Ansätze, Support-Vector-Machine (SVM) Klassifikatoren und Transformer-basierte Deep-Learning-Modelle (ChatGPT) auf ihre Klassifizierungsgenauigkeit geprüft.

Wozu dient die Sentimentanalyse konkret im Finanzbereich?

Sie ermöglicht es, subjektive Meinungen, Stimmungen und Informationen in Finanztexten systematisch zu erfassen, um emotionale Treiber von Marktteilnehmern zu identifizieren und mögliche Zusammenhänge mit Preisentwicklungen zu analysieren.

Was sind die zentralen Themenfelder der Arbeit?

Die Arbeit verbindet klassische Finanztheorien (Markteffizienz) mit modernen Methoden der Informatik (Text Mining, Natural Language Processing, KI) und der Verhaltensökonomik.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil gliedert sich in eine theoretische fundierte Einleitung zum Finanzmarkttheoriewandel, eine Erläuterung der technischen Analyseverfahren und eine umfangreiche empirische Untersuchung inklusive Validierung und Korrelationsbetrachtungen bei VW-Aktien.

Welche Schlüsselbegriffe charakterisieren die Arbeit?

Sentimentanalyse, Künstliche Intelligenz, Deep Learning, SVM, Markteffizienzhypothese und Finanzmarktanalyse.

Warum wird ChatGPT 3.5 als spezifisches Vergleichsmodell herangezogen?

Aufgrund seiner hohen Trainings-Datenfülle und der Transformer-Architektur bietet es die Fähigkeit, komplexe, kontextabhängige Texte aus Finanznachrichten präziser zu interpretieren als einfache auf Stichworten basierende Verfahren.

Welches Fazit zieht die Untersuchung bezüglich der Markteffizienzhypothese?

Die Untersuchung deutet durch die identifizierten Herausforderungen und die nachweisbare Beeinflussbarkeit von Markteilnehmern darauf hin, dass die Hypothese informationseffizienter Märkte durch eine ganzheitlichere, verhaltenswissenschaftliche Betrachtung ergänzt werden muss.