@mastersthesis{Esser2022,
  type      = {Bachelor Thesis},
  author    = {Esser, Tobias Vincent},
  title     = {Erstellung eines Systems zur Volatilit{\"a}tsprediction von Finanzmarktdaten},
  institution = {Institut f{\"u}r Informationswissenschaft der TH K{\"o}ln},
  school    = {Institut f{\"u}r Informationswissenschaft der Technische Hochschule K{\"o}ln},
  pages     = {34},
  year      = {2022},
  abstract  = {Bestimmte Trader legen bei ihren Transaktionen sehr viel Wert auf Risikominimierung. Um zu bestimmen, was f{\"u}r ein Risiko bei einem Kauf eingegangen wird, greifen sie insbesondere auf Daten zur Volatilit{\"a}t der Aktien zur{\"u}ck. Besonders informativ ist dabei die prognostizierte zuk{\"u}nftige Volatilit{\"a}t der Aktien. Die vorliegende Arbeit behandelt die Volatilit{\"a}tsprediktion mit Hilfe von rekurrenten neuronalen Netzen. Mithilfe von Modellen sollen Volatilit{\"a}ten in Finanzmarktdaten prognostiziert werden. Dazu wurde folgende Forschungsfrage entwickelt: Wie und mit welcher Genauigkeit sind rekurrente neuronale Netze in der Lage, die Volatilit{\"a}t von Finanzmarktdaten voraus zu sagen? Außerdem wurde der Ansatz verfolgt, unterschiedliche rekurrente neuronale Netze im Bezug auf das Prognosepotential der jeweiligen Arten zu vergleichen. Zu diesem Zweck wurden vier verschiedene Modelle erstellt und mit Daten des deutschen Aktienindex DAX trainiert. Auf Basis des Trainings prognostizierten die Modelle eine gewisse Anzahl an Volatilit{\"a}tswerten. Mithilfe dieser Vorhersagewerte wurden die Modelle dann auf unterschiedliche Aspekte analysiert und interpretiert. Die Ergebnisse zeigen, dass komplexere Modelle wie ein Long-Short-Term-Memory (LSTM), ein Gated Recurrent Unit (GRU) oder Kombinationen aus LSTM und GRU bessere Ergebnisse liefern als simplere rekurrente neuronale Netze, da erstere mehr Informationen aus den vorangegangenen Daten nutzen k{\"o}nnen und so eine Art Langzeitged{\"a}chtnis entwickeln. Weitere Forschung k{\"o}nnte Bezug auf andere Daten nehmen und so ein General-Purpose-Modell f{\"u}r unterschiedliche Indizes erstellen.},
  subject      = {Volatilit{\"a}t},
  language  = {de}
}