Data Sciences im Börsenhandel: Ein Projekt in Kooperation mit der Hochschule Darmstadt

Inhaltsverzeichnis

Nachdem wir bereits im Jahr 2022 in Zusammenarbeit mit der Hochschule Darmstadt das Seminar „Data Sciences im Börsenhandel“ unterstützt haben, freuen wir uns, dass die Kooperation auch im Jahr 2023 fortgeführt wird. Diese Zusammenarbeit wurde damals von Prof. Dr. Horsch und unserem Vorstand Kai Heinrich ins Leben gerufen. Die Plutos Vermögensverwaltung AG hat die Studierenden der Hochschule Darmstadt mit ihrer langjährigen Expertise begleitet und unterstützt. Ziel der Veranstaltung ist es, exemplarische Methoden der Datenanalyse und des Machine Learnings praktisch auf konkrete Fälle im Kapitalmarkt anzuwenden. Diese Partnerschaft ermöglicht uns einen spannenden Austausch, um die neuesten Entwicklungen in der Forschung frühzeitig zu verfolgen und zu nutzen. Ebenfalls ist der Austausch mit den Studierenden eine Bereicherung für uns, da wir Einblicke in ihre eigenen Ideen und Perspektiven erhalten.

Der interdisziplinäre Studiengang wurde erst vor wenigen Jahren ins Leben gerufen. Die grundlegende Idee besteht darin, Methoden aus Mathematik, Informatik und Statistik zu verknüpfen, um große Datenmengen zu analysieren und fundierte Aussagen daraus abzuleiten. In diesem praxisorientierten Seminar kommt es zu einer Mischung von Studierenden aus diversen Fachbereichen, die versuchen eine Idee dafür zu bekommen, wie die Analyse von Big Data in der Praxis im Themengebiet „Kapitalmarkt“ umgesetzt werden kann.

Die Studierenden sind in den Bereichen Informatik und Mathematik bereits gut geschult, daher kann die langjährige Erfahrung der Plutos Vermögensverwaltung AG im Rahmen inhaltlicher Entscheidungen unterstützen. Dazu zählen beispielsweise, welche Daten am besten berücksichtigt werden sollten, welche Indizes betrachtet werden oder wie die Modelle des Kapitalmarktes am besten zu verstehen und anzuwenden sind.

Werfen wir einen Blick auf den Stand der Kooperation, die Anlagestrategien der Studierenden und ihren Entwicklungsstand.

Implementierung der 16-Wochen-Gebert-Strategie in einen Trading-Bot

Das Ziel der Gruppe ist es, durch Backtesting der Strategie herauszufinden, ob es möglich ist, einen Bot zu entwickeln, der nach der Strategie in verschiedene Sektoren, Aktien und Indizes investiert, um so die Rendite der Anleger zu steigern. Durch Backtesting können verschiedene Handelsstrategien mit historischen Daten auf ihre Erfolgsaussichten analysiert werden. Dies ermöglicht, eine umfassende Untersuchung von Daten, ohne das Risiko menschlicher Fehler wie beispielsweise Emotionen oder voreingenommene Betrachtungen.Formularbeginn Die von den Studierenden analysierte Strategie ist die 16-Wochen-Strategie, welche von Thomas Gebert entwickelt wurde. Er untersuchte Marktanomalien und Zyklen und entdeckte, dass sich die Wochen 13, 14 und 15 des Deutschen Aktienindexes bevorzugt freundlich entwickelten und die Wochen 8, 11 und 16 tendenziell schwach verliefen. Die Studierenden versuchen in ihrer Ausarbeitung dieses Modells zu verstehen und noch weiterzuentwickeln.

Zwischenstand der Projektarbeit

Die Gruppe hat es bisher geschafft, sich mit der 16-Wochen-Strategie vertraut zu machen und alle notwendigen Daten zu beschaffen, um mit dem Backtesting beginnen zu können. Mit der Implementierung der Strategie waren sie in ihrem gewählten Backtesting-Format erfolgreich und konnten erste Grafiken, Plotten und Ergebnisse beobachten. Weiterhin versuchen sie die Strategie anzupassen und weiterzuentwickeln.  

DDQN im algorithmischen Handel

Ziel der Masterarbeit ist es, ein DDQN-Modell zu entwickeln, mit welchem ein algorithmischer Handel von Wertpapieren möglich ist. Dabei versucht der Student die nicht einsehbare Blackbox aufzubrechen, um die Evaluierung der Modelle zu vereinfachen, Kursdaten leichter nutzbar zu machen und die DQN-Kernkomponenten aufzuräumen und verstehen zu können. DQN bedeutet „Deep Q-Networks“ und nutzt ein neuronales Netzwerk, um den Q-Wert für jede mögliche Aktion in einem gegebenen Zustand abzuschätzen. Bei dem DDQN-Algorithmus wird ein zusätzliches neuronales Netzwerk eingeführt, um eine mögliche Überbewertung des DQN zu korrigieren. Das Hauptnetzwerk wird verwendet, um die beste Aktion für einen gegebenen Zustand auszuwählen, während das zweite Netzwerk dazu dient, den Q-Wert dieser Aktion zu berechnen. Die Aufgabe des Studierenden besteht darin zu testen, ob es möglich ist, ein DDQN so zu trainieren, dass es im algorithmischen Handel verwendet werden kann, um präzise Entscheidungen zu treffen. Das DDQN sollte optimalerweise genauer bestimmen können, welche Aktionen in verschiedenen Marktzuständen die besten sind. Dies kann zu verbesserten Handelsergebnissen führen und das Risiko von Fehlentscheidungen verringern, so in der Theorie.

Zwischenstand der Masterarbeit

Dem Studierenden ist es bisher gelungen, Kursdaten leichter nutzbar zu machen, indem nun eine Postgres-Datenbank importiert wird, anstelle von CSV-Dateien. Außerdem erzielte er Fortschritte im Hinblick auf das Verständnis der Blackbox und konnte dahingehend die DQN-Kernkomponenten aufräumen. Das Aufräumen ist vergleichbar mit dem Entwirren eines Kabelknotens. Aktuell arbeitet der Studierende daran, das Modell weiter zu trainieren und Vergleiche zu einer klassischen Buy & Hold Strategie herzustellen.

Sollten Sie noch Fragen haben, nehmen Sie gerne Kontakt auf!

Whitepaper: Investieren in Dividendenaktien

Anleger sollten bei der Auswahl ihrer Dividendenaktien nicht nur auf die Dividendenrendite achten. Denn diese wird oft auf Basis der zuletzt gezahlten Dividende angegeben, steht aber im Verhältnis zum derzeitigen Aktienkurs. Erfahren Sie mehr in unserem kostenlosen Whitepaper.

Wichtige Hinweise:

Die in der Rubrik zur Verfügung gestellten Informationen erfolgen nach bestem Wissen und Gewissen. Informationen im Rahmen von Finanzanlagen unterliegen aber stetiger Veränderungen und wechselnder Einschätzungen. Eine Haftung wird ausgeschlossen.
Sofern in den Darstellungen Charts verwendet werden, beziehen sich diese auf den dort angegebenen vergangenen Zeitraum, die angegebene Währung und es ist angegeben, ob es sich um eine Betrachtung vor oder nach Kosten handelt. Eine Kurs- oder Wertentwicklungen in der Vergangenheit ist kein verlässlichen Indikator für zukünftige Ergebnisse. Jede Finanzanlage hat bestimmte Risiken, bitte beachten Sie die Risikohinweise.

Die Plutos Vermögensverwaltung AG ist ein kommerzieller Anbieter, die Ausführungen können daher auch werbliche und bezahlte Elemente beinhalten. Die Informationen stellen keine Anlageberatung oder Kauf- oder Verkaufsempfehlung dar, sondern sind eine Momentaufnahme der Finanzmärkte. Wir empfehlen grundsätzlich vor jeder Entscheidung die Beratung durch Ihre Bank oder einen unabhängigen Vermögensverwalter. Die Plutos Vermögensverwaltung AG erhält, sofern nicht anders angegeben, keine besondere Vergütung für die veröffentlichten Beiträge. Sofern sie aber Funktionen im Rahmen einer dargestellten Finanzanlage wahrnimmt, kann sie hierfür eine Vergütung erhalten.
Zur weiteren Information beachten Sie bitte die rechtlichen Hinweise.

Kai Heinrich

Kai Heinrich

Kai Heinrich ist seit 2012 im Vorstand der Plutos Vermögensverwaltung AG und verantwortet schwerpunktmäßig die Bereiche Unternehmenssteuerung, Bestandskundenbetreuung, Fondsmanagement und Organisation. Zusätzlich ist er Fondsmanager des Kana NEB Funds und agiert neben Thomas Käsdorf als Co-Fondsmanager des offensiven Mischfonds Plutos Multi Chance.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert