Ein neuronales Netzwerkmodell zur Vorhersage von Aktienkursen

Börsen gelten in vielen Ländern als wichtige Akteure im Finanzsektor. An solchen Börsen sind es die Börsenmakler, die Aktiengeschäfte abwickeln und Kunden bei der Anlageberatung unterstützen. Die meisten dieser Börsenmakler nutzen technische, fundamentale oder Zeitreihenanalysen, um zukünftige Aktienkurse vorherzusagen und so Kunden bei der Auswahl geeigneter Anlagen zu beraten. Diese Strategien garantieren jedoch in der Regel keine guten Renditen, da sie sich an Trends orientieren und nicht am wahrscheinlichsten Handelspreis zu einem zukünftigen Zeitpunkt. Daher ist es notwendig, verbesserte Prognosemethoden zu erforschen. Die Studie nutzt ein künstliches neuronales Netzwerk (KNN), nämlich ein Feedforward-Mehrschicht-Perzeptron (MLP) mit Fehlerrückpropagierung, um ein KNN-Modell mit der Konfiguration 5:21:21:1 zu entwickeln, wobei 80 % der Daten für das Training in 130.000 Zyklen verwendet wurden. Anschließend wurde im Rahmen der Studie ein Prototyp entwickelt und anhand von Daten aus den Jahren 2008 bis 2012 verschiedener Aktienmärkte, wie der Nairobi Securities Exchange (NSE) und der New York Stock Exchange (NYSE), getestet. Die Ergebnisse zeigten, dass das Modell Kurse mit einem MAPE von 0,71 % bis 2,77 % prognostizierte. Die Validierung mit Neuroph & Encog ergab einen geringen RMSE. Das Modell kann daher für typische Prognosen an Aktienmärkten eingesetzt werden.

Börsen gelten in vielen Ländern als wichtige Akteure im Finanzsektor. An solchen Börsen sind es die Börsenmakler, die Aktiengeschäfte abwickeln und Kunden bei der Anlageberatung unterstützen. Die meisten dieser Börsenmakler nutzen technische, fundamentale oder Zeitreihenanalysen, um zukünftige Aktienkurse vorherzusagen und so Kunden bei der Auswahl geeigneter Anlagen zu beraten. Diese Strategien garantieren jedoch in der Regel keine guten Renditen, da sie sich an Trends orientieren und nicht am wahrscheinlichsten Handelspreis zu einem zukünftigen Zeitpunkt. Daher ist es notwendig, verbesserte Prognosemethoden zu erforschen. Die Studie nutzt ein künstliches neuronales Netzwerk (KNN), nämlich ein Feedforward-Mehrschicht-Perzeptron (MLP) mit Fehlerrückpropagierung, um ein KNN-Modell mit der Konfiguration 5:21:21:1 zu entwickeln, wobei 80 % der Daten für das Training in 130.000 Zyklen verwendet wurden. Anschließend wurde im Rahmen der Studie ein Prototyp entwickelt und anhand von Daten aus den Jahren 2008 bis 2012 verschiedener Aktienmärkte, wie der Nairobi Securities Exchange (NSE) und der New York Stock Exchange (NYSE), getestet. Die Ergebnisse zeigten, dass das Modell Kurse mit einem MAPE von 0,71 % bis 2,77 % prognostizierte. Die Validierung mit Neuroph & Encog ergab einen geringen RMSE. Das Modell kann daher für typische Prognosen an Aktienmärkten eingesetzt werden.