Preisprognose mit Deep Learning für Small Caps (German Edition)

Masterarbeit aus dem Jahr 2022 im Fachbereich Mathematik - Statistik, Note: 2,0, FernUniversität Hagen, Sprache: Deutsch, Abstract: Im Rahmen dieser Ausarbeitung soll versucht werden, die künftige Kursentwicklung kleiner Unternehmen aus Deutschland, Österreich und der Schweiz zu prognostizieren. Intention ist die möglicherweise gute Prognostizierbarkeit von Aktien mit geringer Volatilität. Ziel dieser Ausarbeitung ist demnach die Prognose von Aktienkursen von Unternehmen mit geringer Marktkapitalisierung, sogenannten Small Caps, aus der Region Deutschland, Österreich und der Schweiz mittels künstlicher neuronaler Netze. Geprüft werden soll, ob mittels Deep Learning Prognosen möglich sind, die eine hohe Genauigkeit aufweisen, um diese für Entscheidungen, etwa Investitionsentscheidungen, heranzuziehen. Zur Erfüllung der Zielsetzung werden die historischen Kurse der Small Caps herangezogen und im Rahmen mehrerer Versuchsreihen um verschiedene weitere Parameter ergänzt und variiert, um als Teilzielsetzung auch die Auswirkungen verschiedener Einflussfaktoren auf die Prognosegüte der zu erstellenden Prognosemodelle zu prüfen. Zunächst werden relevante markttheoretische Grundlagen betrachtet sowie ein Überblick über den Stand wesentlicher Theorien und der Forschung gegeben. Im dritten Kapitel werden sowohl der Aufbau als auch die Funktionsweise von künstlichen Neuronen und deren Zusammenspiel in künstlichen neuronalen Netzen beleuchtet. Betrachtet werden neben verschiedenen Lernformen auch unterschiedliche Arten neuronaler Netze. Eine Abwägung der Netze, im Sinne der Zielsetzung dieser Arbeit, mündet in der Auswahl eines Netztyps. Im vierten Kapitel erfolgt die Definition der Begrifflichkeit Small Cap sowie der Auswahlprozess der zu prognostizierenden Aktien und Indikatoren. Eine Beschreibung der Vorgehensweise begleitet exemplarisch die Prognose eines Nebenwertes. Im sechsten Kapitel werden acht Versuchsreihen mit wechselnden Parametern durchgeführt, um eine möglichst