Auswirkungen des maschinellen Lernens auf die Börsenprognose

Angebote / Angebote:

Bachelorarbeit aus dem Jahr 2020 im Fachbereich BWL - Bank, Börse, Versicherung, Note: 2.0, Ruhr-Universität Bochum (Wirtschaftswissenschaften), Veranstaltung: Bachelorarbeit, Sprache: Deutsch, Abstract: Diese Arbeit untersucht verschiedene Algorithmen, welche für Börsenprognosen verwendet werden. Sie stützt sich dabei auf die Untersuchung und Auswertung verschiedener Studien aus frei verfügbaren Datenbanken und gibt einen Hinweis auf effektive Modelle zur Erkennung von Bewegungen an der Börse.Die Arbeit zeigt verschiedene Algorithmen für Maschinelles Lernen (ML) auf, mit deren Hilfe Börsenprognosen angestellt und Trends erkannt werden können. Zudem soll überprüft werden, ob ML dazu in der Lage ist, die Genauigkeit von Börsenprognosen zu erhöhen und welchen Einfluss es auf das Handelsvolumen von Wertpapieren und die Aktienpreisentwicklung von börsennotierten Unternehmen hat. Zunächst erfolgt in den theoretischen Grundlagen dieser Arbeit eine konkrete Definition der technischen Analyse und der Fundamentalanalyse als Basis der Börsenprognose.Anschließend wird erläutert, was unter ML zu verstehen ist und welche technischen Voraussetzungen dafür vorhanden sein müssen. Im nächsten Kapitel erfolgt sodann eine systematische Untersuchung bereits verfügbarer Studien, die sich intensiv mit den Auswirkungen von ML auf Börsenprognosen beschäftigen und verschiedene Lernalgorithmen für ML zur Bewältigung von Prognoseproblemen aufzeigen. Dabei werden Studien der einzelnen aufgeführten Lernalgorithmen zum Zweck der Übersichtlichkeit in Textblöcken 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 Lösungen für die Prognose von Börsentrends zusammen. Das abschließende 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.