BSP Campus Hamburg Schriftenreihe Betriebswirtschaft / Den Erfolg von Tradern mittels Machine-Learning klassifizieren
Studie am Beispiel von Forex- und CFD-Tradern durch Supervised Learning Klassifikationsverfahren
Buch in deiner Nähe kaufen
Beschreibung
In dieser Arbeit werden geeignete Verfahren für die Prognose des Tradingerfolgs im Forex- und CFD-Trading präsentiert.
In dieser Arbeit werden geeignete Verfahren für die Prognose des Tradingerfolgs im Forex- und CFD-Trading präsentiert. Es wird untersucht, welches Machine-Learning-Verfahren am geeignetsten ist, zu prognostizieren, ob Trader wahrscheinlich erfolgreich oder wahrscheinlich nicht erfolgreich sein werden. Auf Grundlage einer vorliegenden Stichprobe eines Brokers (2.795 Trader mit ca. 1,2 Mio. Trades) werden die Verfahren logistische Regression, Entscheidungsbaum und künstliche neuronale Netze mit Daten über Trader und ihren individuellen historischen Tradingerfolg trainiert. Die höchste Ergebnisgenauigkeit und die höchste Flexibilität in der Anwendung kann mit dem Verfahren künstliche neuronale Netze erreicht werden. Für die Verfahren logistische Regression und Entscheidungsbaum zeigen sich Vorteile in Bezug auf die Interpretation und den Ressourcenaufwand. Die Prognose des Tradingerfolgs mittels Verfahren des Machine-Learning versetzt Broker in die Lage, ihr Risikomanagement zu optimieren.
Autor*in
Tim Elges
M.Sc. Tim Elges absolvierte sein Masterstudium an der BSP Business School Berlin, Campus Hamburg, und arbeitete hier als studentischer Mitarbeiter. Neben seiner Ausbildung zum Bankkaufmann erwarb Herr Elges studiumsbegleitend zahlreiche Praxiserfahrungen zum Beispiel bei Otto und in der Gesamtbanksteuerung einer Volksbank. Seit 2019 ist er als Projektmanager Venture Capital bei REA Ventures tätig. Seine Verantwortlichkeit erstreckt sich hier unter anderem auf die Potenzialabschätzung, Analyse und Implementierung von Artificial Intelligence und Machine Learning Methoden.
Themen in »BSP Campus Hamburg Schriftenreihe Betriebswirtschaft / Den Erfolg von Tradern mittels Machine-Learning klassifizieren«
machine learning logistische Regression Entscheidungsbaum künstliche neuronale Netze daytrading trading success Klassifikation