Deep Learning based Financial Time Series Prediction for Fundamentals driven Equity Investment Strategies

Die Anwendung von Methoden des maschinellen Lernens und des Deep Learning für Vorhersagen hat in vielen Bereichen, auch im Finanzsektor, ein enormes Wachstum verzeichnet. Es ist immer noch schwer zu sagen, wie das enorme Potenzial dieser Techniken auf den Finanzsektor übertragen werden kann. In dieser Masterarbeit wird untersucht, wie Deep-Learning-Modelle eingesetzt werden können, um die derzeitigen Praktiken im Bereich der auf Fundamentaldaten basierten Aktienanlagestrategien möglicherweise zu verbessern und zu revolutionieren. In diesem Zusammenhang wurde diese Forschung in Zusammenarbeit mit der Investmentfirma Artico Partners durchgeführt, die quantitative Investmentmodelle zur Auswahl, Erstellung und Verwaltung von Aktienportfolios entwickelt. Insbesondere werden attentionbasierte deep neural network-Architekturen untersucht, um finanzielle Zeitreihen vorherzusagen, die für fundamentale Aktienanlagestrategien relevant sind. Auf der Grundlage dieser Vorhersagen können neue Investitionsmodelle erstellt werden, die zu einer verbesserten Leistung dieser Strategien führen können. In dieser Arbeit wird untersucht, welche Deep-Learning-Architektur für den genannten Zweck am besten geeignet ist, und es werden die zu diesem Zweck erzielten analytischen und experimentellen Ergebnisse vorgestellt. Dazu gehören auch eine Diskussion der verschiedenen Einschränkungen und Empfehlungen für die künftige Forschung. 

Studiengang
MSE
Art der Arbeit
Masterarbeit
Verfasser/in
Dominik Kaiser
Referent/in
Dr. Shao Jü Woo
Partner
Artico AG, Zürich,
Institut
Institut für Computational Engineering
Jahr
2022
zurück