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....

Zielsetzung und Themenschwerpunkte

Diese Arbeit befasst sich mit der Anwendung von Machine Learning und Deep Learning Methoden zur Sentimentanalyse von Finanznewsartikeln und deren Einfluss auf die Aktienkursentwicklung. Das Ziel ist es, die Effizienz der traditionellen Markteffizienzhypothese in der Finanzwissenschaft zu hinterfragen und alternative Ansätze zur Analyse von Finanzmärkten zu präsentieren. Die Arbeit untersucht, inwieweit sich die Sentimentanalyse als Instrument zur Vorhersage von Aktienkursentwicklungen nutzen lässt.

• Bewertung der Markteffizienzhypothese im Kontext von Behavioral Finance
• Anwendung von Machine Learning und Deep Learning Methoden zur Sentimentanalyse von Finanznewsartikeln
• Analyse des Einflusses von Sentiment auf die Aktienkursentwicklung
• Bewertung der Ergebnisse und Implikationen für die Finanzanalyse
• Diskussion der Grenzen und Potenziale der Sentimentanalyse im Finanzbereich

Zusammenfassung der Kapitel

• Kapitel 1: Die Einleitung führt in die Thematik der Sentimentanalyse im Kontext von Finanzmärkten ein und stellt die Relevanz der Arbeit im Hinblick auf die aktuellen Herausforderungen der Finanzwissenschaft dar. Sie skizziert die Zielsetzung und den Aufbau der Arbeit.
• Kapitel 2: Dieses Kapitel beleuchtet die Markteffizienzhypothese und die Kritikpunkte, die von der Behavioral Finance aufgezeigt werden. Es stellt die grundlegenden Konzepte und Annahmen der beiden Ansätze gegenüber und untersucht, inwieweit sich die Markteffizienztheorie durch empirische Evidenz bestätigen lässt.
• Kapitel 3: Dieses Kapitel behandelt die Sentimentanalyse von Finanznewsartikeln im Detail. Es erläutert die Bedeutung und die Herausforderungen der Sentimentanalyse in der Finanzwissenschaft und stellt verschiedene Methoden und Ansätze zur Erfassung von Sentiment in Finanztexten vor.
• Kapitel 4: Dieses Kapitel widmet sich den Methoden des Machine Learning und Deep Learning, die in der Sentimentanalyse Anwendung finden. Es erklärt die Funktionsweise der Support-Vector-Machine (SVM) und neuronaler Netze sowie die Vorteile und Herausforderungen dieser Ansätze für die Finanzanalyse.
• Kapitel 5: Dieses Kapitel präsentiert die empirischen Untersuchungen, die im Rahmen der Arbeit durchgeführt wurden. Es beschreibt die Vorgehensweise der Sentimentanalyse von Finanzartikeln mithilfe der SVM-Methode und neuronaler Netze, die gewonnenen Ergebnisse und die Korrelation zwischen Sentiment und Aktienkursentwicklung.

Schlüsselwörter

Die Arbeit konzentriert sich auf die Themen Sentimentanalyse, Machine Learning, Deep Learning, Finanzmärkte, Markteffizienz, Behavioral Finance, Aktienkurse, Finanznewsartikel, Support-Vector-Machine, Neuronale Netze, NLP (Natural Language Processing), empirische Forschung, Sentiment-Indikatoren, Korrelationsanalyse.