Moderne Methoden zur Wechselkursprognose

Inhaltsverzeichnis

1 Einleitung

1.1 Problemstellung

1.2 Vorgehensweise

2 Fundamentale Wechselkursprognose

2.1 Die Kaufkraftparitätentherorie

2.1.1 Absolute Kaufkraftparität

2.1.2 Relative Kaufkraftparität

2.1.3 Einschätzung der Prognosefähigkeit

2.2 Die Zinsparitätentheorie

2.2.1 Gesicherte Zinsparität

2.2.2 Ungesicherte Zinsparität

2.2.3 Einschätzung der Prognosefähigkeit

2.3 Monetäre Wechselkurstheorien

2.3.1 Monetäres Modell mit flexiblen Preisen

2.3.2 Monetäres Modell mit festen Preisen – Das Modell nach Dornbusch

2.3.3 Einschätzung der Prognosefähigkeit

3 Technische Wechselkursprognose

3.1 Die Dow-Theorie

3.1.1 Die Kernaussagen der Dow-Theorie

3.1.2 Kritik an der Dow-Theorie

3.2 Gleitende Durchschnitte

3.2.1 Der einfache gleitende Durchschnitt

3.2.2 Der linear gewichtete gleitende Durchschnitt

3.2.3 Der exponentiell geglättete gleitende Durchschnitt

3.3 Oszillatoren

3.3.1 Momentumkurven

3.3.2 Der Relative-Stärke-Index (RSI)

3.4 Der Variationskoeffizient

3.5 Die Regressionsanalyse

3.6 Empirische Untersuchung der Prognosefähigkeit

3.6.1 Konzept

3.6.2 Vergleichsmaßstäbe

3.6.3 Entscheidungsbaum des symbolischen Maschinellen Lernens

3.6.4 Ergebnisse verschiedener Indikatoren

3.6.5 Trefferquote des Entscheidungsbaumes für das Jahr 2010

3.6.6 Renditevergleich im ausgewählten Zeitraum

3.6.7 Zusammenfassung der empirischen Untersuchung

4 Effizienter Markt und Random-Walk

4.1 Effizienter Markt

4.2 Random-Walk-Theorie

5 Moderne Wechselkursmodelle

5.1 Das Diversity and Weight of Opinion (DAWOP) – Modell

5.1.1 Modellgrundlagen

5.1.2 Einschätzung der Prognosefähigkeit

5.2 Das Forward Exchange Premium Term Structure – Modell

5.2.1 Modellgrundlagen

5.2.2 Einschätzung der Prognosefähigkeit

6 Wechselkursprognose mit Hilfe von künstlichen neuronalen Netzen

6.1 Vergleich der Prognosegüte neuronaler Netze und konventioneller Methoden zur Wechselkursprognose in der Literatur

6.2 Kritische Betrachtung der künstlichen neuronalen Netze

7 Zusammenfassung und Fazit

Zielsetzung & Themen

Diese Arbeit untersucht die Entwicklung von Prognoseverfahren für Wechselkurse über die letzten 40 Jahre und prüft, ob moderne Instrumente fundiertere Vorhersagen ermöglichen als klassische ökonomische Methoden. Die zentrale Forschungsfrage ist, ob durch die Kombination von fundamentalen und charttechnischen Instrumenten eine höhere Rendite als am Markt erzielt werden kann.

• Vergleich fundamentaler und technischer Wechselkursprognose
• Analyse der Markteffizienzhypothese und Random-Walk-Theorie
• Einsatz von Entscheidungsbäumen und Künstlichen Neuronalen Netzen
• Empirische Untersuchung der Prognosegüte anhand historischer Daten
• Bewertung der Leistungsfähigkeit moderner Wechselkursmodelle

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Dieses Kapitel führt in die Problematik flexibler Wechselkurse ein und definiert die zentrale Arbeitsthese, dass Wechselkurse durch ausgewählte Instrumente prognostizierbar sind.

2 Fundamentale Wechselkursprognose: Hier werden die klassischen ökonomischen Modelle wie Kaufkraftparität und Zinsparität sowie monetäre Ansätze vorgestellt und hinsichtlich ihrer praktischen Prognosefähigkeit kritisch bewertet.

3 Technische Wechselkursprognose: Dieses Kapitel behandelt die Instrumente der Chartanalyse, inklusive gleitender Durchschnitte und Oszillatoren, und präsentiert eine empirische Untersuchung zur Kombination dieser Indikatoren mittels Entscheidungsbäumen.

4 Effizienter Markt und Random-Walk: Die theoretischen Grundlagen der Markteffizienzhypothese werden diskutiert, wobei die Random-Walk-Theorie als Gegenentwurf zur Prognostizierbarkeit von Kursen beleuchtet wird.

5 Moderne Wechselkursmodelle: Hier werden neuere Ansätze vorgestellt, die versuchen, lineare klassische Modelle durch die Einbeziehung nichtlinearer Prozesse oder heterogener Markterwartungen zu verbessern.

6 Wechselkursprognose mit Hilfe von künstlichen neuronalen Netzen: Dieses Kapitel analysiert den Einsatz von Machine Learning in der Devisenprognose und vergleicht dessen Leistung mit konventionellen statistischen Methoden.

7 Zusammenfassung und Fazit: Das Fazit fasst die Ergebnisse zusammen und bestätigt die These, dass technische Instrumente – insbesondere in Kombination – die Prognosegüte gegenüber einem naiven Random-Walk-Modell verbessern können.

Schlüsselwörter

Wechselkursprognose, Fundamentalanalyse, Technische Analyse, Charttechnik, Kaufkraftparität, Zinsparität, Markteffizienzhypothese, Random-Walk, Künstliche neuronale Netze, Gleitende Durchschnitte, RSI, Entscheidungsbaum, Volatilität, Währungsmarkt, Devisenhandel

Häufig gestellte Fragen

Worum geht es in dieser Diplomarbeit grundsätzlich?

Die Arbeit vergleicht fundamentale und charttechnische Methoden zur Vorhersage von Wechselkursveränderungen und untersucht, ob diese Verfahren eine höhere Rendite ermöglichen als eine rein zufällige Marktbetrachtung.

Welches ist das primäre Ziel der Arbeit?

Das Ziel ist es zu prüfen, ob Wechselkurse mit Hilfe moderner Modelle und technischer Indikatoren in gewissem Maße vorhersagbar sind, um damit die Effizienzmarkthypothese empirisch zu hinterfragen.

Was sind die zentralen Themenfelder?

Die Themenfelder umfassen fundamentale Theorien, technische Chartanalyse, Markteffizienztheorien, moderne Modellansätze sowie den Einsatz von Machine Learning und neuronalen Netzen in der Finanzmarktprognose.

Welche wissenschaftlichen Methoden kommen zum Einsatz?

Die Arbeit nutzt sowohl theoretische Literaturanalysen ökonomischer Modelle als auch eine eigene empirische Untersuchung mittels Entscheidungsbäumen, um die Prognosegüte verschiedener Indikatoren zu testen.

Was behandelt der Hauptteil?

Der Hauptteil analysiert detailliert fundamentale Theorien, stellt Instrumente der Chartanalyse vor, diskutiert die Random-Walk-Theorie und erläutert fortgeschrittene Ansätze wie das DAWOP-Modell und künstliche neuronale Netze.

Welche Keywords charakterisieren die Arbeit?

Wichtige Begriffe sind insbesondere Wechselkursprognose, Markteffizienz, technische Analyse, Fundamentalanalyse, Künstliche neuronale Netze und Handelsstrategien.

Warum schneiden Entscheidungsbäume in dieser Untersuchung so gut ab?

Die Untersuchung zeigt, dass die Kombination verschiedener Indikatoren durch Entscheidungsbäume Signale besser filtert und somit in volatilen Marktphasen stabilere Ergebnisse liefert als einzelne Indikatoren allein.

Ist die technische Analyse eine exakte Wissenschaft?

Nein, die Arbeit stellt fest, dass die technische Analyse als subjektiv gilt und häufig kritisiert wird, jedoch durch statistische Indikatoren eine objektivere Basis für Handelsentscheidungen erhalten kann.

Werden neuronale Netze das menschliche Urteilsvermögen ersetzen?

Das Fazit der Arbeit deutet darauf hin, dass neuronale Netze zwar vielversprechende Prognoseergebnisse liefern, jedoch (zumindest zum Zeitpunkt der Erstellung) die fundierte Prognose eines menschlichen Gehirns nicht vollständig ersetzen können.