Auswirkungen des maschinellen Lernens auf die Borsenprognose

Bachelorarbeit aus dem Jahr 2020 im Fachbereich BWL - Bank, Borse, Versicherung, Note: 2.0, Ruhr-Universitat Bochum (Wirtschaftswissenschaften), Veranstaltung: Bachelorarbeit, Sprache: Deutsch, Abstract: Diese Arbeit untersucht verschiedene Algorithmen, welche fur Borsenprognosen verwendet werden. Sie stutzt sich dabei auf die Untersuchung und Auswertung verschiedener Studien aus frei verfugbaren Datenbanken und gibt einen Hinweis auf effektive Modelle zur Erkennung von Bewegungen an der Borse. Die Arbeit zeigt verschiedene Algorithmen fur Maschinelles Lernen (ML) auf, mit deren Hilfe Borsenprognosen angestellt und Trends erkannt werden konnen. Zudem soll uberpruft werden, ob ML dazu in der Lage ist, die Genauigkeit von Borsenprognosen zu erhohen und welchen Einfluss es auf das Handelsvolumen von Wertpapieren und die Aktienpreisentwicklung von borsennotierten Unternehmen hat. Zunachst erfolgt in den theoretischen Grundlagen dieser Arbeit eine konkrete Definition der technischen Analyse und der Fundamentalanalyse als Basis der Borsenprognose. Anschlie end wird erlautert, was unter ML zu verstehen ist und welche technischen Voraussetzungen dafur vorhanden sein mussen. Im nachsten Kapitel erfolgt sodann eine systematische Untersuchung bereits verfugbarer Studien, die sich intensiv mit den Auswirkungen von ML auf Borsenprognosen beschaftigen und verschiedene Lernalgorithmen fur ML zur Bewaltigung von Prognoseproblemen aufzeigen. Dabei werden Studien der einzelnen aufgefuhrten Lernalgorithmen zum Zweck der Ubersichtlichkeit in Textblocken dargestellt. Eine strukturierte Darstellung der themenbezogenen Studien befindet sich im Anhang dieser Arbeit. Sie fasst neben der experimentellen Vorgehensweise der Autoren ihre untersuchten Lernalgorithmen und technischen Losungen fur die Prognose von Borsentrends zusammen. Das abschlie ende Fazit mit Ausblick fasst die wichtigsten Inhalte dieser Arbeit noch einmal zusammen und geht auf einen Forschungsaspekt ein, der in den vor-liegenden Studien nicht oder nur unzureichend behandelt wird.