Wo Theorie und Praxis sich die Hand geben: Data Science im Börsenhandel

Wir, die Plutos Vermögensverwaltung AG, haben an uns die Erwartung, die neusten Entwicklungen aus der Forschung zu kennen, um möglichst früh auf neue Technologien reagieren zu können. Ein Beispiel dieser Bemühungen ist die Zusammenarbeit mit der Hochschule Darmstadt, die von Prof. Dr. Horsch und unserem Vorstand Kai Heinrich ins Leben gerufen wurde. Im Rahmen dieser Kooperation begleitet die Plutos Vermögensverwaltung AG das Hauptseminar des Masterstudienganges Data Sciences.

Inhaltsverzeichnis

Da dieser Themenbereich ohnehin sehr jung ist, ist es auch nicht verwunderlich, dass dieser interdisziplinäre Studiengang erst vor einigen Jahren initiiert wurde. Die Grundidee ist, Methoden der Mathematik, der Informatik sowie der Statistik zu verknüpfen, um große Datenmengen zu analysieren und fundierte Aussagen treffen zu können. Durch den interdisziplinären Charakter dieses Studienganges lässt sich auch die bunte Mischung von Studierenden aus diversen Fachbereichen erklären. Das Seminar selbst ist sehr praxisorientiert, denn die Studierenden sollen nicht nur in der Theorie Big Data analysieren können, sondern auch in der Praxis eine Idee von der Umsetzung bekommen. Das Themengebiet, mit dem die Studierenden sich auseinandersetzen sollen, ist dieses Semester im weiteren Sinne der Kapitalmarkt. An dieser Stelle beginnt das Synergien-Potenzial dieser Zusammenarbeit. Da die Studierenden einen informatischen bzw. mathematischen Hintergrund aufweisen, sind sie in der Methodik von dem angewandten Machine Learning (im Folgenden ML) bereits sehr gut geschult. Die Plutos Vermögensverwaltung AG hingegen, kann ihre langjährige Erfahrung am Kapitalmarkt einbringen und den Studierenden helfen, inhaltliche Entscheidungen zu treffen, 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.  Ziel der Veranstaltung ist, exemplarisch Methoden der Datenanalyse und des ML auf konkrete Fälle im Kapitalmarkt anzuwenden und praktisch zu implementieren. Im Folgenden werden die Grundideen der Projekte der Studierenden sowie einige mögliche Probleme erläutert.

Die Bewertung von Anlagestrategien aus historischen Daten

Einer der ersten Dinge, die sich Anleger bei dem Kauf oder Verkauf von Finanzinstrumenten anschauen, ist die historische Perfomance. Wie hat sich beispielweise die Aktie in den letzten Monaten oder Jahren entwickelt und wie volatil war sie? Backtesting will diesen Prozess optimieren, indem deutlich mehr Daten betrachtet werden ohne menschliche Fehler durch zum Beispiel Emotionen oder voreingenommene Betrachtungen. So können verschiedene Handelsstrategien mit Daten aus der Vergangenheit auf Erfolg analysiert werden. Natürlich gibt es auch hier Probleme, die einem bekannt sein sollten und die unter Umständen berücksichtigt werden sollten. So kann ein großes Problem Over Fitting sein. Aus historischen Daten ist es leicht die optimale Strategie für jeden Zeitraum zu erkennen, die am besten funktioniert hätte. Leider funktionieren Märkte jedoch aufgrund von zukünftigen Erwartungen und induktiv auf die Zukunft zu schließen ist eben nur bedingt möglich. Auch sollte der berühmte Survivorship Bias berücksichtigt werden. Dieser beschreibt das Problem, wenn in der Analyse nur aktuelle Unternehmen betrachtet werden, fallen die Unternehmen, die nicht überlebt haben aus der Analyse raus und können unter Umständen das Ergebnis verfälschen.

Börsenprognose durch NLP in sozialen Medien: Data Science zur linguistischen Analyse

Zunächst einmal sollte erläutert werde, was NLP genau ist. Neurolinguistisches Programmieren ist der Versuch einer künstlichen Intelligenz beizubringen, eine Formulierung einer Stimmung zuzuordnen und die Intensität zu bewerten. So würde beispielsweise „Ich mag dich“ eine ziemlich hohe positive Bewertung erhalten dagegen „Ich hasse dich“ eine sehr hohe negative. Die Grundidee dieses Ansatzes ist es, dieses NLP in sozialen Medien zu nutzen, um die Stimmung für oder gegen gewisse Wertpapiere zu messen und dann zu nutzen, um entsprechend zu handeln. Wenn Elon Musk etwa über Tesla twittert und die Kommentare sind überwiegend positiv, würde das System diese Stimmung erkennen und vermuten, dass sich die Tesla-Aktie in nächster Zeit positiv entwickeln könnte. Allerdings gibt es auch hier einige Probleme, die es gilt zu lösen. Die jetzigen NLPs haben es schwer Ironie zu erkennen. Selbst Menschen fällt es teilweise schwer Ironie in geschriebener Form zu erkennen, da ein großer Teil der Ironie in der Betonung und Stimmlage liegt. Auch bleibt offen, ob es einen Zusammenhang zwischen den Stimmungen in Social Media und der zukünftigen Entwicklung an den Märkten gibt und wenn ja, wie hoch die Korrelation ist. 

Portfoliomanager Peter Meister und Prof. Dr. Horsch

Deep Reinforcement Learning im algorithmischen Handel

Auch hier ist eine kurze Erklärung zu Deep Reinforcement Learning am Anfang sinnvoll. Die Idee ist, einen Bot zu erstellen, der über Trial-and-Error Versuche in einer gewissen Situation immer neue Handlungsmuster ausprobiert. Jedes Handlungsergebnis bringt hierbei einen gewissen Reward, den der Bot dann maximiert. Übertragen auf den Kapitalmarkt bedeutet dieser Ansatz, dass ein Bot verschiedene Handlungsentscheidungen über eine Trial-and-Error Methode trifft, um seinen Reward zu maximieren. Es bleibt jedoch die Frage, welchen Reward er maximieren soll. Der erste Gedanke könnte sein, den Return zu maximieren, jedoch würde der Bot dann komplett losgelöst von jeglichem Risiko agieren, was nicht zwangsweise dem Interesse des Anlegers entsprechen würde.

Kritische Betrachtung der Prognosefähigkeit von Aktienkursen mittels ML

Das letzte Projekt beschäftigt sich generell mit der Frage, wie gut ML dafür geeignet ist oder sein könnte, Entwicklungen im Wertpapierhandel fundiert zu prognostizieren. Die These ist, da der Aktienkurs von sehr undurchsichtigen Zusammenhängen geprägt zu sein scheint, sollte in der Theorie ML besser als der Mensch dafür geeignet sein, da ML deutlich mehr Informationen in deutlich kürzerer Zeit analysieren kann, ohne von Emotionen beeinflusst zu werden. Anschließend sollte die Frage geklärt werden, welches ML-System überhaupt verwendet werden soll, welche Art von Input dieses System berücksichtigen sollte und welchen Output es generieren soll. Natürlich wäre eine Prognose des genauen Aktienkurses deutlich informationsreicher, allerdings auch deutlich schwerer zu generieren und deutlich fehleranfälliger als eine Prognose des generellen Trends. Ziel dieses Projektes ist es, eine Übersicht über den Stand in dieser konkreten Anwendung zu geben und eine Idee, wie leistungsfähig die entsprechenden ML-Systeme bereits jetzt sind. 

Fazit: Data Science hat eine Zukunft im Kapitalmarkt, wie sieht diese jedoch aus?

Unumstritten ist, dass die Technologie des ML sich immer weiterentwickelt und immer mehr Probleme löst. Bereits jetzt sind einige Fonds rein durch statistische und mathematische Methoden betrieben. Was vor 30 Jahren noch undenkbar schien, ist inzwischen Realität und die Forschung ist mit Hochdruck an neuen Trends. Für uns als Unternehmen, sind diese Entwicklungen natürlich von entscheidendem Interesse und wir sind zuversichtlich, auch durch die Zusammenarbeit mit Prof. Dr. Horsch und der Hochschule Darmstadt, für die Zukunft in diesem Bereich gut aufgestellt zu sein.

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.

Weitere Neuigkeiten

In den letzten Jahren hat sich vermehrt ein beachtenswerten Wandel in der Anlagestrategie zahlreicher institutioneller sowie privater Investoren vollzogen, der den Fokus von rein finanziellen Renditen hin zu einer nachhaltigeren Zukunft lenkt. Umwelt, Soziales und Governance (ESG) sind zu zentralen Säulen geworden, die Investoren zunehmend in ihre Entscheidungen einbeziehen. Doch damit stellt sich auch die Frage, wie sich diese ESG-Anlagen – sei es in Form von Fonds oder Aktien – tatsächlich entwickelt haben? Wurden die Erwartungen tatsächlich erfüllt und gleichzeitig positive Veränderungen in der Welt bewirkt? Diese Fragen werfen ein Licht auf die Performance von ESG-Anlagen in den vergangenen Jahren und liefern wichtige Einsichten in die Zukunft des nachhaltigen Investierens.

Schreibe einen Kommentar

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