Aktienpreisprognosen mit Deep Learning Methoden: Ein systematischer Literaturüberblick

Ziel der Bachelorthesis ist es den aktuellen Stand der Literatur zum Thema Aktienpreisprognosen mit Deep-Learning-Methoden aufzubereiten und deren Erkenntnisse in einem systematischen Literaturüberblick nach der Methodik von Webster und Watson (2002) darzustellen. Dabei ist die zentrale Fragestellung, inwiefern Deep-Learning-Modelle unter Verwendung von Limit-Orderbuch Daten, Aktienpreisbewegungen prognostizieren können und welche Prognosegüte derartige Modelle erzielen. Die Ergebnisse der systematischen Literaturrecherche zeigen, dass traditionelle bzw. ökonometrische Modelle, die auf strukturierten Datensätzen und weniger komplexen Algorithmen basieren, immer seltener Anwendung in der Forschung finden. Im Gegensatz dazu steigt die Anzahl an Forschungsarbeiten, welche nichtlineare Modelle des maschinellen Lernens einsetzen. Insbesondere Deep Learning Modelle und deren Unterkategorie rekurrente neuronale Netze (RNN) erfreuen sich großer Beliebtheit. Zahlreiche Studien belegen zudem, dass RNNs zukünftige Preisentwicklungen mit deutlich höherer Prognosegenauigkeit vorhersagen können. Es existieren jedoch signifikante Unterschiede hinsichtlich der Prognosegenauigkeit zwischen verschiedenen Deep-Learning-Architekturen. Allerdings ist die Vergleichbarkeit zwischen verschiedenen Studien begrenzt, da häufig unterschiedliche Datengrundlagen oder Labels zur empirischen Untersuchung verwendet werden.

Top