Machine Learning basierte Handelsstrategien. Ein Vergleich zwischen Random Forest und LSTM anhand des Deutschen Aktienindex 40

Masterarbeit aus dem Jahr 2024 im Fachbereich VWL - Finanzwissenschaft, Note: 1,0, Technische Hochschule Mittelhessen, Sprache: Deutsch, Abstract: Diese Masterarbeit beschäftigt sich mit zwei zentralen Fragestellungen, die angesichts der aktuellen Trends im Machine Learning (ML) und algorithmischen Handel von besonderer Bedeutung sind. Die erste Forschungsfrage beschäftigt sich mit dem Vergleich des Random Forest- und des Long Short-Term Memory-Modells. Ziel ist es herauszufinden, welches dieser beiden ML-Modelle im Rahmen des DAX 40 effektiver ist, um zuverlässige Vorhersagen für die Renditen des nächsten Handelstages zu liefern. Die Relevanz dieser Frage liegt darin, die Genauigkeit und Zuverlässigkeit der Modelle in der kurzfristigen Vorhersage von Markbewegungen zu bewerten.
Die zweite Forschungsfrage konzentriert sich auf die praktische Anwendbarkeit von ML-Modellen im algorithmischen Handel. Sie soll untersuchen, ob eine auf ML-Modellen basierende Handelsstrategie, die speziell auf die Vorhersage der Rendite des nächsten Handelstages ausgerichtet ist, verlässliche und profitable Ergebnisse im DAX 40 erzielen kann. Die Beantwortung dieser Frage soll wichtige Erkenntnisse liefern, ob ML-Modelle eine tragfähige Alternative oder Ergänzung zu klassischen Handelsstrategien darstellen.