Auswirkungen des maschinellen Lernens auf die Börsenprognose

Inhaltsverzeichnis

• Einleitung
• Problemstellung
• Aufbau der Arbeit
• Theoretische Grundlagen
• Börsenprognose
• Technische Analyse
• Fundamentalanalyse
• Maschinelles Lernen
• Begriffsdefinition
• Voraussetzungen für maschinelles Lernen
• Literaturüberblick
• Methodik
• Studien
• Ergebnisse
• Lernalgorithmen
• Charakteristika
• Diskussion
• Fazit und Literaturlücke

Zielsetzung und Themenschwerpunkte

Die vorliegende Bachelorarbeit befasst sich mit der Frage, inwieweit maschinelles Lernen (ML) die Genauigkeit von Börsenprognosen verbessern kann. Im Zentrum steht dabei die Analyse der Anwendung von ML-Algorithmen auf die Prognose von Aktienkursentwicklungen, wobei der Einfluss auf das Handelsvolumen von Wertpapieren und die Aktienpreisentwicklung von Unternehmen im Fokus steht.

• Analyse der Anwendung von ML-Algorithmen auf die Börsenprognose
• Bewertung der Auswirkungen von ML auf die Genauigkeit von Börsenprognosen
• Untersuchung des Einflusses von ML auf das Handelsvolumen von Wertpapieren
• Beurteilung des Einflusses von ML auf die Aktienpreisentwicklung von börsennotierten Unternehmen
• Identifizierung von Forschungslücken im Bereich des maschinellen Lernens in der Börsenprognose

Zusammenfassung der Kapitel

• Einleitung: Diese Kapitel stellt die Problemstellung der Arbeit vor und erläutert die Bedeutung von Börsenprognosen im Kontext der Effizienzmarkthypothese und der Random-Walk-Theorie. Es wird auf die Rolle des maschinellen Lernens (ML) bei der Verarbeitung großer Datenmengen und der Optimierung von Prognosemodellen eingegangen.
• Theoretische Grundlagen: Dieses Kapitel definiert die Begriffe Börsenprognose und maschinelles Lernen. Es beschreibt die beiden wichtigsten Ansätze der Börsenprognose, die technische und die Fundamentalanalyse, und erklärt die grundlegenden Prinzipien des maschinellen Lernens.
• Literaturüberblick: Dieses Kapitel fasst die wichtigsten Studien und Forschungsarbeiten zum Thema maschinelles Lernen in der Börsenprognose zusammen. Es werden die in den Studien verwendeten Methoden und Algorithmen vorgestellt sowie die Ergebnisse diskutiert.

Schlüsselwörter

Maschinelles Lernen, Börsenprognose, Aktienkursentwicklung, Handelsvolumen, Aktienpreisentwicklung, Effizienzmarkthypothese, Random-Walk-Theorie, Technische Analyse, Fundamentalanalyse, Lernalgorithmen, Künstliche Intelligenz.