Börsenprognose - Stock market prediction

Börsen Vorhersage ist der Akt der Versuch , den zukünftigen Wert eines Unternehmens zu bestimmen , Lager oder andere Finanzinstrument auf einem gehandelten Austausch . Die erfolgreiche Vorhersage des zukünftigen Kurses einer Aktie könnte einen erheblichen Gewinn bringen. Die Hypothese des effizienten Marktes legt nahe, dass Aktienkurse alle derzeit verfügbaren Informationen widerspiegeln und alle Preisänderungen, die nicht auf neu aufgedeckten Informationen basieren, daher von Natur aus unvorhersehbar sind. Andere sind anderer Meinung und diejenigen, die diesen Standpunkt vertreten, verfügen über unzählige Methoden und Technologien, die es ihnen angeblich ermöglichen, zukünftige Preisinformationen zu erhalten.

Die Effiziente-Markt-Hypothese und der Random Walk

Die Effizienzmarkthypothese besagt, dass Aktienkurse eine Funktion von Informationen und rationalen Erwartungen sind und dass neu aufgedeckte Informationen über die Aussichten eines Unternehmens fast sofort im aktuellen Aktienkurs widergespiegelt werden. Dies würde bedeuten, dass sich alle öffentlich bekannten Informationen über ein Unternehmen, zu denen natürlich auch der Kursverlauf gehört, bereits im aktuellen Aktienkurs widerspiegeln. Dementsprechend spiegeln Änderungen des Aktienkurses die Veröffentlichung neuer Informationen, Änderungen des Marktes im Allgemeinen oder zufällige Bewegungen um den Wert wider, der den vorhandenen Informationsbestand widerspiegelt. Burton Malkiel behauptete in seinem einflussreichen Werk A Random Walk Down Wall Street aus dem Jahr 1973 , dass Aktienkurse daher nicht genau vorhergesagt werden könnten, indem man sich die Kursentwicklung anschaute. Als Ergebnis, argumentierte Malkiel, lassen sich Aktienkurse am besten durch einen statistischen Prozess beschreiben, der als "Random Walk" bezeichnet wird, was bedeutet, dass die täglichen Abweichungen vom zentralen Wert zufällig und unvorhersehbar sind. Dies führte Malkiel zu dem Schluss, dass die Bezahlung von Finanzdienstleistern für die Marktvorhersage die Nettoportfoliorendite eher beeinträchtigte als förderte. Eine Reihe empirischer Tests stützen die Annahme, dass die Theorie allgemein gilt, da die meisten von professionellen Aktienprädiktoren verwalteten Portfolios die durchschnittliche Marktrendite nach Berücksichtigung der Managergebühren nicht übertreffen.

Eigenwert

Der innere Wert (wahrer Wert) ist der wahrgenommene oder berechnete Wert eines Unternehmens, einschließlich materieller und immaterieller Faktoren, anhand der Fundamentalanalyse. Er wird auch häufig als Fundamentalwert bezeichnet. Sie dient zum Vergleich mit dem Marktwert des Unternehmens und um herauszufinden, ob das Unternehmen an der Börse unterbewertet ist oder nicht. Bei der Berechnung berücksichtigt der Investor sowohl die qualitativen als auch die quantitativen Aspekte des Geschäfts. Er wird normalerweise berechnet, indem die diskontierten zukünftigen Erträge des Vermögenswerts addiert werden, um den Barwert zu erhalten.

Vorhersagemethoden

Vorhersagemethoden lassen sich in drei große Kategorien einteilen, die sich (und häufig) überschneiden können. Sie sind Fundamentalanalyse , technische Analyse (Charting) und technologische Methoden.

Fundamentalanalyse

Fundamentale Analysten beschäftigen sich mit dem Unternehmen, das der Aktie selbst zugrunde liegt. Sie bewerten die bisherige Leistung eines Unternehmens sowie die Glaubwürdigkeit seiner Konten . Es werden viele Performance-Kennzahlen erstellt, die dem Fundamentalanalysten bei der Beurteilung der Validität einer Aktie helfen, wie zum Beispiel das KGV . Warren Buffett ist vielleicht der berühmteste aller fundamentalen Analysten. Er nutzt die Gesamtmarktkapitalisierung -zu-- BIP - Verhältnis im Allgemeinen den relativen Wert des Aktienmarktes , um anzuzeigen, damit dieses Verhältnis als „bekannt geworden ist Buffett Indikator “.

Was die Fundamentalanalyse an der Börse zu erreichen versucht, ist den wahren Wert einer Aktie herauszufinden, der dann mit dem Wert, mit dem sie an den Börsen gehandelt wird, verglichen werden kann und somit herauszufinden, ob die Aktie am Markt unterbewertet ist oder nicht. Die Ermittlung des wahren Wertes kann auf verschiedene Weise nach dem gleichen Prinzip erfolgen. Das Prinzip ist, dass ein Unternehmen alle seine zukünftigen Gewinne zusammengenommen wert ist. Auch diese zukünftigen Gewinne sind auf ihren Barwert abzuzinsen. Dieses Prinzip passt gut zu der Theorie, dass es in einem Unternehmen nur um Profit geht und um nichts anderes.

Im Gegensatz zur technischen Analyse wird die Fundamentalanalyse eher als langfristige Strategie angesehen.

Die Fundamentalanalyse basiert auf der Überzeugung, dass die menschliche Gesellschaft Kapital braucht, um Fortschritte zu machen, und wenn ein Unternehmen gut funktioniert, sollte es mit zusätzlichem Kapital belohnt werden und zu einem Anstieg des Aktienkurses führen. Die Fundamentalanalyse wird von Fondsmanagern häufig verwendet, da sie am vernünftigsten und objektivsten ist und aus öffentlich zugänglichen Informationen wie der Abschlussanalyse erstellt wird.

Eine andere Bedeutung der Fundamentalanalyse geht über die Bottom-Up-Unternehmensanalyse hinaus. Sie bezieht sich auf die Top-Down-Analyse, bei der zuerst die Weltwirtschaft analysiert wird, gefolgt von der Länderanalyse und dann der Sektoranalyse und schließlich der Analyse auf Unternehmensebene.

Technische Analyse

Technische Analysten oder Chartisten befassen sich nicht mit den Fundamentaldaten des Unternehmens. Sie versuchen, den zukünftigen Kurs einer Aktie ausschließlich auf der Grundlage der Trends des vergangenen Kurses zu bestimmen (eine Form der Zeitreihenanalyse ). Zahlreiche Muster kommen zum Einsatz wie Kopf und Schultern oder Tasse und Untertasse. Neben den Mustern werden Techniken wie der Exponential Moving Average (EMA), Oszillatoren, Unterstützungs- und Widerstandsniveaus oder Momentum- und Volumenindikatoren verwendet. Candlestick-Muster, von denen angenommen wird, dass sie zuerst von japanischen Reishändlern entwickelt wurden, werden heute häufig von technischen Analysten verwendet. Die technische Analyse wird eher für kurzfristige als für langfristige Strategien verwendet. Und daher ist es weitaus häufiger auf Rohstoff- und Devisenmärkten verbreitet, wo sich Händler auf kurzfristige Preisbewegungen konzentrieren. Bei dieser Analyse werden einige Grundannahmen verwendet, zum einen, dass alles Wesentliche an einem Unternehmen bereits in der Aktie eingepreist ist, zum anderen, dass sich der Preis in Trends bewegt und schließlich, dass sich die Geschichte (der Preise) dazu neigt, sich zu wiederholen, was hauptsächlich auf die Marktpsychologie.

Maschinelles Lernen

Mit dem Aufkommen des digitalen Computers hat sich die Börsenvorhersage inzwischen in den technologischen Bereich verlagert. Die bekannteste Technik beinhaltet die Verwendung von künstlichen neuronalen Netzen (ANNs) und genetischen Algorithmen (GA). Wissenschaftler fanden heraus, dass die Methode zur Optimierung der bakteriellen Chemotaxis besser abschneiden kann als GA. KNNs kann man sich als mathematische Funktionsapproximatoren vorstellen . Die gebräuchlichste Form von KNN, die für die Börsenvorhersage verwendet wird, ist das Feed-Forward-Netzwerk, das den Rückwärtsausbreitungs-von-Fehler- Algorithmus verwendet, um die Netzwerkgewichtungen zu aktualisieren. Diese Netzwerke werden allgemein als Backpropagation- Netzwerke bezeichnet. Eine andere Form von KNN, die für die Bestandsvorhersage besser geeignet ist, ist das zeitrekurrente neuronale Netzwerk (RNN) oder das zeitverzögerte neuronale Netzwerk (TDNN). Beispiele für RNN und TDNN sind die Netze Elman, Jordan und Elman-Jordan. (Siehe die Elman- und Jordan-Netzwerke .)

Bei der Bestandsvorhersage mit KNN werden in der Regel zwei Ansätze zur Vorhersage unterschiedlicher Zeithorizonte verwendet: unabhängig und gemeinsam. Der unabhängige Ansatz verwendet ein einzelnes KNN für jeden Zeithorizont, beispielsweise 1 Tag, 2 Tage oder 5 Tage. Der Vorteil dieses Ansatzes besteht darin, dass der Netzwerkvorhersagefehler für einen Horizont sich nicht auf den Fehler für einen anderen Horizont auswirkt – da jeder Zeithorizont normalerweise ein einzigartiges Problem darstellt. Der gemeinsame Ansatz umfasst jedoch mehrere Zeithorizonte zusammen, so dass sie gleichzeitig bestimmt werden. Bei diesem Ansatz kann der Vorhersagefehler für einen Zeithorizont seinen Fehler mit dem eines anderen Horizonts teilen, was die Leistung verringern kann. Außerdem sind für ein gemeinsames Modell mehr Parameter erforderlich, was das Risiko einer Überanpassung erhöht.

In letzter Zeit scheinen die meisten akademischen Forschungsgruppen, die KNN für die Bestandsprognose untersuchen, häufiger und erfolgreicher ein Ensemble unabhängiger KNN-Methoden zu verwenden. Ein Ensemble von KNNs würde niedrige Preise und Zeitverzögerungen verwenden, um zukünftige Tiefststände vorherzusagen, während ein anderes Netzwerk verzögerte Höchststände verwenden würde, um zukünftige Höchststände vorherzusagen. Die vorhergesagten Tief- und Höchstvorhersagen werden dann verwendet, um Stopppreise für den Kauf oder Verkauf zu bilden. Outputs aus den einzelnen „low“- und „high“-Netzwerken können auch in ein endgültiges Netzwerk eingegeben werden, das auch Volumen, Intermarket-Daten oder statistische Zusammenfassungen von Preisen einbezieht, was zu einem endgültigen Ensemble-Output führt, das Käufe, Verkäufe oder Marktrichtungen auslösen würde Veränderung. Eine wichtige Erkenntnis bei KNNs und Aktienvorhersagen ist, dass ein Klassifikationsansatz (vs. Funktionsapproximation) unter Verwendung von Ausgaben in Form von Kauf(y=+1) und Verkauf(y=-1) zu einer besseren Vorhersagesicherheit führt als eine quantitative Ausgabe wie als niedriger oder hoher Preis.

Da NNs Training erfordern und einen großen Parameterraum haben können; es ist nützlich, das Netzwerk für eine optimale Vorhersagefähigkeit zu optimieren.

Datenquellen für Marktprognosen

Tobias Preiset al. eine Methode zur Identifizierung von Online-Vorläufern für Börsenbewegungen unter Verwendung von Handelsstrategien basierend auf den Suchvolumendaten von Google Trends eingeführt . Ihre Analyse des Google- Suchvolumens für 98 Begriffe mit unterschiedlicher finanzieller Relevanz, die in Scientific Reports veröffentlicht wurde , legt nahe, dass ein Anstieg des Suchvolumens für finanziell relevante Suchbegriffe tendenziell großen Verlusten an den Finanzmärkten vorausgeht. Von diesen Termen waren drei auf dem 5%-Niveau signifikant (| z | > 1,96). Der beste Begriff in negativer Richtung war „Schulden“, gefolgt von „Farbe“.

In einer 2013 in Scientific Reports veröffentlichten Studie zeigten Helen Susannah Moat, Tobias Preis und Kollegen einen Zusammenhang zwischen der Änderung der Anzahl der Ansichten von englischen Wikipedia- Artikeln zu Finanzthemen und nachfolgenden großen Börsenbewegungen.

Der Einsatz von Text Mining zusammen mit Algorithmen des maschinellen Lernens hat in den letzten Jahren mehr Aufmerksamkeit erfahren, wobei Textinhalte aus dem Internet als Input zur Vorhersage von Preisänderungen an Aktien und anderen Finanzmärkten verwendet wurden.

Die kollektive Stimmung von Twitter- Nachrichten wurde mit der Börsenperformance in Verbindung gebracht. Die Studie wurde jedoch für ihre Methodik kritisiert.

Die Aktivität in Stock Message Boards wurde analysiert, um die Renditen von Vermögenswerten vorherzusagen. Die Unternehmensschlagzeilen von Yahoo! Finanz und Google Finance wurden als Nachrichten Fütterung in einem verwendeten Text - Mining - Prozess, die zu prognostizieren Aktien Kursbewegungen von Dow Jones Industrial Average .

Aspektstrukturierung von Zeitreihen

Aspect Structuring , auch als Jacaruso Aspect Structuring (JAS) bezeichnet, ist eine Methode zur Trendprognose, die sich für die Vorhersage von Trendänderungen in verschiedenen börsen- und geopolitischen Zeitreihendatensätzen als valide erwiesen hat. Die Methode adressiert die Herausforderung, die sich aus hochdimensionalen Daten ergibt, bei denen exogene Variablen zu zahlreich oder zu unmessbar sind, um berücksichtigt und für eine Vorhersage verwendet zu werden. Das Verfahren identifiziert die einzelne Variable des primären Einflusses auf die Zeitreihe oder den "primären Faktor" und beobachtet Trendänderungen, die in Zeiten geringerer Signifikanz der primären Variablen auftreten. Vermutlich sind Trendänderungen in diesen Fällen vielmehr auf sogenannte „Hintergrundfaktoren“ zurückzuführen. Obwohl diese Methode die multivariate Natur von Hintergrundfaktoren nicht aufklären kann, kann sie ihre Auswirkungen auf die Zeitreihen zu einem bestimmten Zeitpunkt auch ohne sie messen. Diese Beobachtung kann verwendet werden, um eine Prognose zu erstellen.

Anmerkungen

Verweise

• Graham, B. Der intelligente Investor HarperCollins; Rev. Ed-Ausgabe, 2003.
• Lo, AW und Mackinlay, AC A Non-Random Walk Down Wall Street 5th Ed. Princeton University Press, 2002.
• Azoff, EM Neural Network Time Series Forecasting of Financial Markets John Wiley and Sons Ltd, 1994.
• Christoffersen, PF und FX Diebold. Renditen von Finanzanlagen, Prognosen zur Änderungsrichtung und Volatilitätsdynamik . Management Science, 2006. 52(8): p. 1273-1287