Diese Arbeit hat zur Aufgabe, eine univariate Zeitreihe mittels der Anwendung eines LSTM-Netzwerks vorherzusagen. Als Zeitreihe wurden die Schlusskurse der Aktien des Elektromobil-Herstellers Tesla, Inc. ausgewählt. Hierdurch leitet sich die Nebenaufgabe ab, die für Anleger gegebene Unsicherheit der Aktienmärkte zu reduzieren. Dazu erfolgt eine theoretische Fundierung anhand von Primär- und Sekundärliteratur. Die Zielsetzung der Arbeit wird durch das Entwerfen und Implementieren eines dafür entsprechenden Programmcodes realisiert. Die dafür benötigte Umgebung wird im Rahmen der Open-Source-Anwendung Jupyter Notebook geschaffen.
Die durch COVID-19 verursachte Pandemie und dessen fortlaufende Ausbreitung hat immense wirtschaftliche Schäden nach sich gezogen. Dadurch sind die Kurse relevanter Handelsplätze unnachgiebig gefallen und der Einkaufsmanagerindex im April 2020 auf 49,4 gesunken. Das entspricht einem Tiefstand, wie er zuletzt 2013 gemessen wurde. Einen Monat vorher, im März 2020, fiel der Dax von einem historischen Höchststand von circa 13.800 Punkten auf ein seit sieben Jahren nicht vermerktes Tief von 8.441 Punkten.
Trotz der andauernden Pandemie und daraus resultierender Folgen weicht der Aktienmarkt einige Wochen später weltweit von der wirtschaftlichen Realität ab und bewegt sich zunehmend zum vorherigen Zustand hin. Der bisherige Weg der Besserung war von starken Kursschwankungen und Unvorhersehbarkeit gekennzeichnet. Damit ist das aktuelle Handeln am Aktienmarkt vermehrt durch Sicherheitsbestreben seitens der Anleger geprägt.
Das Bestreben, Vorgänge am Aktienmarkt vorherzusagen, ist jedoch seit jeher präsent. Demnach ist eines der Ziele von Analysen an Finanzmärkten das Vorhersagen von zukünftigen Bewegungen von Aktienpreisen und Finanzindizes. Die dafür entwickelten Methoden reichen von umfassenden mathematischen Modellen bis hin zu Scheinwissenschaften. Im Zuge immer potenterer und frei zugänglicher Rechnerleistung gewinnen statistische Analysen mithilfe großer Datensätze an Beliebtheit. Das Vorhersagen von Aktienkursen steht inzwischen seit mehreren Jahren aufgrund der dadurch erhofften Profitabilität im Fokus.
Inhaltsverzeichnis
1 Einleitung
1.1 Einführung in die Thematik
1.2 Zielsetzung, Aufbau und Methodik
2 Der Aktienmarkt und die damit verbundene Unsicherheit
2.1 Grundlagen des Aktienmarktes
2.2 Unsicherheiten des Aktienmarktes
3 Vorhersagen von Zeitreihen mit LSTM-Netzwerken
3.1 Grundlagen maschinellen Lernens und künstlicher neuronaler Netzwerke
3.2 Das Problem von RNNs und die Notwendigkeit des LSTM-Netzwerks
3.3 Definition und Aufbau von LSTM-Netzwerken
3.4 Anwendung von LSTM für Vorhersagen univariater Zeitserien mit Zeitschritten
4 Architektur des Programmcodes
4.1 Beschreibung der Python-Programmstruktur
4.1.1 Module, Pakete, Programmbibliotheken und integrierte Klassen
4.1.2 Funktionen und Methoden
4.1.3 Serien und DataFrames
4.2 Beschreibung des Programmcode-Lebenszyklus mittels eines Zustandsdiagramms
5 Implementierung des Programmcodes
5.1 Datenverständnis
5.2 Datenaufbereitung
5.3 Datenmodellierung
5.4 Modellevaluierung
5.5 Vorhersage und Ergebnisvisualisierung
6 Fazit
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, eine univariate Zeitreihe der Aktienkurse von Tesla mittels eines LSTM-Netzwerkes (Long Short-Term Memory) vorherzusagen, um die Unsicherheit bei der Kursentwicklung besser abzubilden. Dabei wird ein praktischer Ansatz gewählt, der den gesamten Prozess von der Datenbeschaffung bis zur Visualisierung unter Nutzung der Python-Programmierumgebung realisiert.
- Grundlagen des Aktienmarktes und statistische Unsicherheiten.
- Funktionsweise und Architektur von künstlichen neuronalen Netzwerken.
- Vorteile von LSTM-Netzwerken gegenüber Standard-RNNs bei Zeitreihen.
- Strukturierung und Implementierung des Python-Codes in Jupyter Notebooks.
- Evaluation des Modells mittels Verlustfunktion und Fehlermaßen.
Auszug aus dem Buch
3.2 Das Problem von RNNs und die Notwendigkeit des LSTM-Netzwerks
Dioden sind elektrische Bauelemente, die einen Stromfluss in eine Richtung ermöglichen und den Stromfluss in die entgegengesetzte Richtung verhindern. In Schalterbildern verweist die Diode in Form von Pfeilen auf die Richtung des Stromflusses (AllAboutCircuits, Introduction to Diodes And Rectifiers).
Durch die im vorherigen Kapitel beschriebene Struktur ist es RNNs möglich, Probleme, wie Text-Klassifizierungen, Text-Generationen und Zeitserien-Vorhersagen zu lösen (Thomas, 2019). Was das Verarbeiten von längeren Zeitserien erschwert ist das Problem der sogenannten „Vanishing Gradients“ (Verschwindende Gradienten). Gradienten tragen die in Parametern von RNNs verwendete und im Prozess aktualisierte Informationen. In RNNs werden die Gradienten mit der Zunahme an Zeitschritten immer geringer, wodurch letztlich die Aktualisierungen der Parameter irrelevant werden und kein Lerneffekt mehr stattfindet (Abel, 2018). Um dieses Problem im Detail nachvollziehen zu können, sollte „Understanding LSTM – a tutorial into Long Short-Term Memory Recurrent Neural Networks“ (2019) von Ralf Staudemeyer gelesen werden.
Christopher Olah, Mitarbeiter von OpenAI, beschreibt das Problem von Langzeit-Abhängigkeiten und RNNs in seinem Blog-Eintrag „Understanding LSTM“ folgendermaßen:
“But there are also cases where we need more context. Consider trying to predict the last word in the text “I grew up in France... I speak fluent French.” Recent information suggests that the next word is probably the name of a language, but if we want to narrow down which language, we need the context of France, from further back. It’s entirely possible for the gap between the relevant information and the point where it is needed to become very large. Unfortunately, as that gap grows, RNNs become unable to learn to connect the information”
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung motiviert die Analyse von Aktienkursen mittels Machine Learning vor dem Hintergrund marktbedingter Unsicherheiten und definiert die Zielsetzung der Arbeit.
2 Der Aktienmarkt und die damit verbundene Unsicherheit: Dieses Kapitel erläutert die ökonomischen Grundlagen von Aktien und die Herausforderungen, die durch die hohe Volatilität und Unvorhersehbarkeit der Märkte entstehen.
3 Vorhersagen von Zeitreihen mit LSTM-Netzwerken: Hier werden die theoretischen Grundlagen maschineller Lernverfahren gelegt und die spezifische Eignung von LSTM-Netzwerken für Zeitreihenanalysen dargelegt.
4 Architektur des Programmcodes: Das Kapitel beschreibt die technische Struktur, die verwendeten Python-Bibliotheken sowie den allgemeinen Lebenszyklus des entwickelten Codes basierend auf dem CRISP-DM-Modell.
5 Implementierung des Programmcodes: Dieser Teil dokumentiert den konkreten Prozess der Datenverarbeitung, Modellierung und Evaluierung anhand der Tesla-Aktie.
6 Fazit: Das Fazit fasst die Ergebnisse zusammen und reflektiert die Leistungsfähigkeit des entwickelten Modells sowie Ansätze für weiterführende Arbeiten.
Schlüsselwörter
Aktienmarkt, LSTM-Netzwerke, Zeitreihenanalyse, Künstliche neuronale Netze, Python, Machine Learning, Datenvisualisierung, Tesla-Aktie, Vorhersagemodell, Deep Learning, CRISP-DM, Neuronale Netzarchitektur, Finanzmarktanalyse, Modell-Evaluierung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Hausarbeit behandelt die praktische Anwendung von künstlichen neuronalen Netzwerken, speziell LSTM-Modellen, um die zukünftige Kursentwicklung von Aktien anhand historischer Zeitreihendaten vorherzusagen.
Welche zentralen Themenfelder werden bearbeitet?
Die zentralen Felder sind die Grundlagen des Aktienhandels, die Funktionsweise rekurrenter neuronaler Netze (RNNs) sowie die technische Implementierung von Datenverarbeitungsprozessen in der Programmiersprache Python.
Was ist das primäre Ziel der Forschungsarbeit?
Das Ziel ist die Erstellung eines funktionsfähigen Python-Programmcodes, der in der Lage ist, auf Basis einer univariaten Zeitreihe der Tesla-Aktie eine Kursprognose zu erstellen und so zur Reduktion der Unsicherheit bei Anlageentscheidungen beizutragen.
Welche wissenschaftlichen Methoden werden verwendet?
Es wird eine Kombination aus Literaturanalyse zu theoretischen Grundlagen sowie eine experimentelle Methode zur Software-Entwicklung nach dem CRISP-DM-Standard für Data Mining angewendet.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine theoretische Fundierung der LSTM-Technologie, eine detaillierte architektonische Beschreibung der Programmstruktur und eine schrittweise Dokumentation der Implementierung.
Durch welche Schlüsselwörter lässt sich die Arbeit charakterisieren?
Die wichtigsten Begriffe sind LSTM, Zeitreihenprognose, Aktienmarktanalyse, neuronale Netze, Python, Machine Learning und Datenmodellierung.
Warum werden LSTM-Netzwerke statt einfacher RNNs genutzt?
Im Gegensatz zu Standard-RNNs lösen LSTM-Netzwerke das Problem der "verschwindenden Gradienten", was es ihnen ermöglicht, langfristige Abhängigkeiten in Daten wesentlich besser zu erlernen und zu speichern.
Wie wurde der Erfolg des Modells bewertet?
Die Evaluierung erfolgte durch die Berechnung der Verlustfunktion (Mean Squared Error) sowie der Wurzel aus der mittleren quadratischen Abweichung (RMSE) der Vorhersagewerte im Vergleich zu den realen Daten.
- Arbeit zitieren
- David Lewenko (Autor:in), 2020, Vorhersage von Aktienkursen mittels eines LSTM-Netzwerks. Entwurf und Implementierung eines Python-Programmcodes, München, GRIN Verlag, https://www.hausarbeiten.de/document/980345
