Title: Stock Market Forecasting mittels klassischen statistischen Verfahren und Text mining
Other Titles: Stock Market Forecasting
Language: Deutsch
Authors: Wiesinger, Sina 
Qualification level: Diploma
Advisor: Grandits, Peter 
Assisting Advisor: Ecker-Lala 
Issue Date: 2021
Citation: 
Wiesinger, S. (2021). Stock Market Forecasting mittels klassischen statistischen Verfahren und Text mining [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2021.91243
Number of Pages: 61
Qualification level: Diploma
Abstract: 
Die richtige Vorhersage von Aktienkursen ist für viele Personen und Institutionen erstrebenswert. Allerdings ist dieses Ziel, auch wegen der vielen Einflussfaktoren auf die Aktienpreise, nicht einfach zu erreichen. Die richtige Vorhersage hilft frühzeitig auf etwaige Kursschwankungen reagieren zu können und verspricht somit einen monetären Vorteil. Eine Möglichkeit den Kurs der Aktien vorherzusagen ist mittels neuronaler Netze, die aus vergangenen Aktienpreisen bestimmte Muster erkennen und die zukünftigen Aktienpreise vorhersagen sollen. Der Schwerpunkt dieser Arbeit liegt darin dieses Verfahren mit der Methode der Sentiment Analyse zusammenzubringen. Bei der Sentiment Analyse versucht man Texten einen bestimmten Wert zwischen minus eins und eins zuzuordnen, je nachdem ob diese positiv oder negativ sind. Für die Vorhersage der Aktienpreise sollen Tweets über ein Unternehmen das Stimmungsbild der Community widerspiegeln und Artikel aus der New York Times die Meinung von Experten, die die breite Masse beeinflussen. Die Vorhersage der Aktienpreise erfolgt mit zwei verschiedenen Arten von neuronalen Netzwerken: den feedforward neuronalen Netz und das Long Short-Term Memory (LSTM) Netzwerk. Die Modelle werden für drei verschiedene Unternehmen Apple Inc., Tesla Inc. und Biontech SE mit verschiedenen Parametern durchlaufen und die Ergebnisse werden gegenübergestellt. Dabei stellt sich heraus, dass die Güte des Modells maßgeblich von der Datenlage und der Datenhistorie beeinflusst wird. Ist allerdings eine ausreichende Datenlage gegeben, liefert das feedforward neuronale Netzwerk bei diesem Versuchsaufbau die durchschnittlich besseren Ergebnisse.

The correct prediction of share prices is desirable for many individuals and institutions. However, this goal is not easy to achieve because of the many factors that influence shares. The correct prediction helps to be able to react early to any price fluctuations and thus promises a monetary advantage. One way of predicting share prices is by the using of neural networks, which are supposed to recognise certain patterns from past share prices and predict future share prices. The focus of this paper is to combine this method with sentiment analysis. Sentiment analysis tries to assign a certain value between minus one and one to texts, depending on whether they are positive or negative. For the prediction of share prices, tweets about a company should reflect the sentiment of the community as a whole and articles from the New York Times should reflect the opinion of experts who influence the masses. The prediction of stock prices is done using two different types of neural networks: the feedforward Neural Network and the Long Short-Term Memory (LSTM) network. The models are run for three different companies Apple Inc, Tesla Inc and Biontech SE with different parameters and the results are compared. It turns out that the quality of the model is significantly influenced by the data situation and the data history. However, if there is sufficient data, the feedforward Neural Network delivers the better results on average in this test set-up.
Keywords: Aktienpreise; neuronale Netze
stock prices; machine learning
URI: https://doi.org/10.34726/hss.2021.91243
http://hdl.handle.net/20.500.12708/19222
DOI: 10.34726/hss.2021.91243
Library ID: AC16410992
Organisation: E105 - Institut für Stochastik und Wirtschaftsmathematik 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:


Page view(s)

15
checked on Jan 17, 2022

Download(s)

9
checked on Jan 17, 2022

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.