Machine Learning basierte Handelsstrategien. Ein Vergleich zwischen Random Forest und LSTM anhand des Deutschen Aktienindex 40

Inhaltsverzeichnis

• 1 Einleitung
• 2 Machine Learning
  • 2.1 Verschiedene Ansätze des Machine Learnings im Überblick
    • 2.1.1 Supervised Learning
    • 2.1.2 Unsupervised Learning
    • 2.1.3 Reinforcement Learning
  • 2.2 Spezielle Verfahren des Machine Learnings
    • 2.2.1 Long Short-Term Memory
    • 2.2.2 Random Forest
  • 2.3 Evaluierungsmetriken im Machine Learning
  • 2.4 Allgemeine Herausforderungen des Machine Learnings
    • 2.4.1 Unstable Gradient Problem
    • 2.4.2 Overfitting
    • 2.4.3 Underfitting
• 3 Machine Learning im Finanzmarktkontext
  • 3.1 Unsicherheit und Risiko
    • 3.1.1 Volatilität
    • 3.1.2 Value-at-Risk
  • 3.2 Markteffizienztheorie
  • 3.3 Performancemessung
    • 3.3.1 Benchmark
    • 3.3.2 Rebalancing
    • 3.3.3 Zeithorizont
  • 3.4 Prozess der Datenverarbeitung
• 4 Implementierung und Vergleich der Algorithmen
  • 4.1 Datenbeschaffung und -verarbeitung
  • 4.2 Aufteilung in Trainings-, Validierungs- und Testdatensätze
  • 4.3 Optimierung und Implementierung der Modelle
    • 4.3.1 LSTM-Modell
    • 4.3.2 RF-Modell
  • 4.4 Evaluierung der ML-Modelle
• 5 Performancevergleich der Handelsstrategie
  • 5.1 Generierung von LSTM-Vorhersagen auf DAX-Aktien
  • 5.2 Implementierung und Backtesting der Handelsstrategie
  • 5.3 Evaluierung der Performance der Handelsstrategien

Zielsetzung und Themenschwerpunkte

Diese Masterthesis untersucht den Einsatz von Machine-Learning-Algorithmen im Aktienhandel. Ziel ist der Vergleich von Random Forest und LSTM-Modellen zur Vorhersage des Deutschen Aktienindex 40 (DAX).

• Vergleich verschiedener Machine-Learning-Ansätze
• Anwendung von LSTM und Random Forest im Finanzmarktkontext
• Performancemessung von Handelsstrategien basierend auf den ML-Modellen
• Bewertung der Herausforderungen des Machine Learnings im Finanzmarkt
• Datenverarbeitung und -aufbereitung für den Algorithmenvergleich

Zusammenfassung der Kapitel

Kapitel 1 dient als Einleitung. Kapitel 2 bietet einen Überblick über Machine Learning, einschließlich verschiedener Ansätze und spezifischer Verfahren wie LSTM und Random Forest. Es werden auch wichtige Evaluierungsmetriken und allgemeine Herausforderungen von Machine-Learning-Modellen behandelt. Kapitel 3 beleuchtet den Kontext des Machine Learnings im Finanzmarkt, einschließlich Unsicherheit, Risiko, Markteffizienz und Performancemessung. Kapitel 4 beschreibt die Implementierung der Algorithmen, die Datenverarbeitung und die Aufteilung der Daten in Trainings-, Validierungs- und Testdatensätze. Kapitel 5 beschäftigt sich mit der Generierung von Vorhersagen, dem Backtesting der Handelsstrategien und der Evaluierung der Performance.

Schlüsselwörter

Machine Learning, LSTM, Random Forest, DAX 40, Aktienhandel, Handelsstrategien, Performancemessung, Risikomanagement, Markteffizienz, Datenverarbeitung, Backtesting, Evaluierungsmetriken.