Die Vorhersage von Aktienkursrenditen dient in erster Linie der Generierung von ¿alphä, jener Größe, die die Performance einer Anlage ins Verhältnis zur Benchmark setzt und an dem sich jeder Asset Manager messen lassen muss. Kursveränderungen im Finanzmarkt sind jedoch geprägt durch ein hohes Maß an Zufälligkeit, getrieben von Angebot und Nachfrage und zum Teil ein Spielball politischer Entscheidungen. Eine Vielzahl wechselseitig abhängiger Faktoren, die die kognitiven Fähigkeiten des Menschen überfordern, nimmt Einfluss auf den Kursverlauf. Durch den Einsatz von Informationstechnologie auf den heutigen, leistungsfähigen Rechnern eröffnen sich jedoch neue Möglichkeiten, diese Zusammenhänge abzubilden und Vorhersagen zu tätigen.
Die vorliegende Arbeit verfolgt das Ziel, ein ganzheitliches Verfahren zur Prognose von Kursereignissen zu entwickeln. Zu diesem Zweck werden maschinelle Lernverfahren eingesetzt, um komplexe Zusammenhänge von kursbeeinflussenden Faktoren zu erfassen und Aussagen über zukünftige Kursbewegungen machen zu können. Der Fokus wird auf die Entwicklung von stabilen Klassifikatoren aus u. a. Neuronalen Netzen, Support Vektor Maschinen und Entscheidungsbäumen gelegt und durch einen Meta-Klassifikationsalgorithmus vollendet. Hierfür wird eine große Bandbreite von Kennwerten sowohl aus dem Zeit- als auch aus dem Frequenzbereich erzeugt und durch exogene Größen ergänzt. Schlussendlich wird das Modell in einem Handelssystem getestet, dessen gute Performance den Mehrwert des eingesetzten Verfahrens zur Prädiktion von kurzfristigen Aktienkursrenditen belegt.

1. Zielsetzung und Aufbau der Arbeit

2. Implikationen finanzmarktspezifischer Effizienz

2.1 Theorie der Markteffizienz

2.2 Empirie der Markteffizienz und Behavioral Finance Theorie

2.3 Implikationen für die Prognostizierbarkeit von Kursentwicklungen

3. Maschinelles Lernen

3.1 Allgemeiner Prozess des Maschinellen Lernens

3.2 Maschinelles Lernen zur Prognose finanzmarktspezifischer Daten

4. Methodik

4.1 Datengrundlage und Vorverarbeitung

4.2 Merkmalsextraktion

4.3 Merkmalsselektion

4.4 Etikettierung und Fehlklassifikationskosten

4.5 Klassifikation

4.6 Meta-Klassifikation

5. Ergebnisse

5.1 Ergebnisse der einfachen Klassifikation

5.2 Ergebnisse der Meta-Klassifikation

6. Diskussion

6.1 Ergebnisdiskussion zur einfachen Klassifikation

6.2 Ergebnisdiskussion zur Meta-Klassifikation

6.3 Ergebnisumsetzung im regelbasierten Handel

7. Zusammenfassung